AISCA : Assistant Intelligent de Carrière

Moteur de recommandation sémantique et coaching carrière par IA Générative. > Projet de Mastère Data Engineering & IA - Bloc 2 (RNCP40875)

À propos du projet

AISCA (Assistant Intelligent de Carrière) est une application conçue pour résoudre le problème des "faux négatifs" dans le recrutement Tech. Contrairement aux ATS (Applicant Tracking Systems) classiques qui filtrent par mots-clés exacts, AISCA utilise le NLP (Natural Language Processing) pour comprendre le sens et la profondeur technique d'un parcours professionnel.

L'outil analyse les expériences d'un candidat, les projette vectoriellement sur un référentiel de compétences Data (120+ skills), et détermine le profil métier idéal (Data Engineer, Data Scientist, etc.) avec un plan de progression généré par IA.

Fonctionnalités clés

• Analyse Sémantique : Vectorisation des expériences via SBERT (Architecture Siamoise) pour détecter les compétences implicites.
• Scoring Intelligent : Algorithme Top-K Mean pour valoriser l'expertise réelle sans pénaliser la méconnaissance d'outils périphériques.
• Pipeline ETL Robuste : Module de chargement sécurisé (data_loader) garantissant la qualité et la gouvernance des données (gestion des NaN, nettoyage).
• Coaching IA (RAG) : Génération de résumés de profil et de plans d'action personnalisés via l'API Google Gemini 1.5 Flash.
• Optimisation : Système de double cache (Tenseurs .pt et JSON) pour une latence < 1s.

---

🛠️ Stack Technique

Core & Data Engineering

• Python : Langage principal.
• Pandas / NumPy : Manipulation et agrégation des données.
• ETL Custom : Module de nettoyage et normalisation des CSV bruts.

Intelligence Artificielle (NLP & GenAI)

• Sentence-Transformers : Modèle all-MiniLM-L6-v2 pour les embeddings.
• PyTorch : Gestion des tenseurs et calculs GPU/CPU.
• Google Generative AI : API pour l'enrichissement sémantique et le RAG.

Interface & Visualisation

• Streamlit : Interface utilisateur interactive.
• Plotly Express : Graphiques Radar et Bar Charts interactifs.

---

Architecture Simplifiée

graph LR
    A[Input Utilisateur] --> B(Enrichissement Gemini)
    B --> C{Moteur SBERT}
    D[(Cache Vecteurs .pt)] <--> C
    C --> E[Calcul Similarité Cosinus]
    E --> F[Scoring Top-K Mean]
    F --> G[Dashboard Streamlit]

Loading

Installation

1. Cloner le dépôt :

git clone https://github.com/votre-username/aisca.git
cd aisca

2. Installer les dépendances :

pip install -r requirements.txt

3. Configurer l'API Key (créer un fichier .env) :

GOOGLE_API_KEY=votre_cle_api_ici

4. Lancer l'application :

streamlit run app.py

---