Le mappage avancé des mots-clés est similaire au mappage classique, mais au lieu que les utilisateurs associent manuellement les mots-clés à des termes connexes, notre outil de NLP automatise le processus. Lors d'un entretien de recherche d'emploi, l'assistant AI de votre client demandera aux candidats quels postes les intéressent au sein de l'entreprise et/ou dans une zone géographique précise. Lorsqu'un candidat répond en indiquant un intitulé de poste, le processus de mappage avancé des mots-clés sera lancé.

Logique de mappage de mots clés avancée

1. Lors d'un entretien de recherche d'emploi, votre assistant AI demandera aux candidats quels postes les intéressent au sein de votre entreprise et/ou dans un lieu précis.
2. Le candidat répondra en indiquant l'intitulé du poste.
3. L'intitulé de poste envoyé sera ensuite comparé à d'autres intitulés de poste dans l' ensemble de données O*NET Occupation , qui comprend un large éventail d'intitulés et de descriptions de postes provenant de divers secteurs d'activité.
4. Ce système identifiera et associera ce mot-clé d'intitulé de poste à d'autres intitulés similaires ou étroitement liés.
5. En temps réel, le NLP choisira les mots-clés les plus pertinents associés à cet intitulé de poste.
6. Le NLP permettra ensuite à votre assistant AI de suggérer ces intitulés de poste au candidat afin qu'il puisse les prendre en compte lors de sa recherche d'emploi, l'aidant ainsi à trouver des offres d'emploi pertinentes même si l'intitulé exact qu'il a recherché ne figure pas dans le flux.

Exemple : Si un candidat recherche un emploi de « boulanger », votre assistant AI peut lui suggérer d’autres intitulés de poste comme « chef pâtissier » ou « employé de boulangerie » à prendre en compte lors de sa recherche d’emploi.

Contexte de localisation

Le traitement automatique du langage naturel ( NLP exploitera le contexte géographique de la conversation pour associer directement les noms de lieux à des emplacements physiques. Grâce à la géolocalisation , il identifiera plus efficacement les noms de lieux et les codes postaux, évitant ainsi toute confusion lors de la reconnaissance de différents lieux par notre système NLP . Cela inclut la capacité à comprendre les abréviations d'États (par exemple, « emplois MA » au lieu de « emplois dans le Massachusetts ») et à identifier les noms de villes similaires à des intitulés de poste (par exemple, « Boulanger, CA » au lieu de « Pâtissier »).

Si aucun contexte de localisation n'est fourni , votre assistant AI vous enverra une invite « Contexte professionnel » (« Ça a l'air bien. Que cherchez-vous à faire chez [nom de l'entreprise] ? »).

Contexte professionnel

NLP utilisera le contexte professionnel au sein de la conversation, où NLP analysera la réponse du candidat à la question « Que souhaitez-vous faire dans l'entreprise ? »

Dans ce contexte, l'objectif est de comprendre le rôle souhaité par le candidat au sein de l'entreprise spécifiée en utilisant le nom de marque, O*NET et les extracteurs d'entités professionnelles, en privilégiant des filtres comme « Temps partiel » ou « Étudiant » pour affiner la recherche, tout en rendant la localisation totalement non pertinente.

Aucun contexte

Lorsque le contexte n'est pas disponible pour faciliter la prise de décision, le système de traitement automatique du NLP doit extraire toutes les informations pertinentes de la conversation et poursuivre celle-ci en invitant le candidat à choisir parmi les options disponibles celles qui permettent de clarifier son intention.

Bien que votre assistant AI propose aux candidats de sélectionner un emplacement précis lorsque plusieurs options sont disponibles, il ne dispose pas encore d'une invite similaire pour d'autres types d'entités.

• Exemple : Dans les cas où différentes entités se chevauchent partiellement dans le texte (lieu de travail vs catégorie de travail), nous privilégions la valeur la plus longue (par exemple, « Baker City » sera interprété comme « lieu de travail » plutôt que « catégorie de travail »).

Contexte déduit

Le NLP peut parfois exploiter les informations partagées précédemment lors de la conversation afin de proposer au candidat une correspondance pertinente entre les mots-clés. En regroupant ces informations, on réduit les risques d'ambiguïté et on permet au NLP de déduire le contexte de la recherche d'emploi. À titre d'exemple, la confusion fréquente entre lieu et marque peut être résolue grâce à cette logique.