Conception d'un systeme intelligent d'analyse de cv base sur le traitement du langage naturel (NLP) pour une evaluation optimisee des candidatures: application au departement des ressources humaines

Ministère de l'Enseignement Supérieur et

Universitaire

UNIVERSITE PROTESTANTE DE LUBUMBASHI

FACULTE DES SCIENCES INFORMATIQUES



Vérité & Liberté

PROJET TUTORÉ DE FIN D'ETUDES

Sujet : CONCEPTION D'UN SYSTEME INTELLIGENT D'ANALYSE
DE CV BASE SUR LE TRAITEMENT DU LANGAGE NATUREL
(NLP) POUR UNE EVALUATION OPTIMISEE DES
CANDIDATURES : APPLICATION AU DEPARTEMENT DES
RESSOURCES HUMAINES.

Effectué par NKISSA KUDOLYE JOSPIN Promotion : BAC3

Filière : IAGE

Août 2025

Ministère de l'Enseignement Supérieur et

Universitaire

UNIVERSITE PROTESTANTE DE LUBUMBASHI

FACULTE DES SCIENCES INFORMATIQUES



Vérité & Liberté

PROJET TUTORÉ DE FIN D'ETUDES

Sujet : CONCEPTION D'UN SYSTEME INTELLIGENT D'ANALYSE
DE CV BASE SUR LE TRAITEMENT DU LANGAGE NATUREL
(NLP) POUR UNE EVALUATION OPTIMISEE DES
CANDIDATURES : APPLICATION AU DEPARTEMENT DES
RESSOURCES HUMAINES.

Promotion : BAC 3 Filière : IAGE

Dirigé par Professeur MWAMBA KASONGO Dahouda Co-dirigé par Assistant NGOIE NKAYA Philippe

ANNEE ACADEMIQUE

2024-2025



DEDICACE

À ma famille,

Ce mémoire est le fruit de votre soutien inestimable, de vos encouragements et de votre amour sans limites.

À mes parents, pour vos sacrifices, votre patience et votre confiance en moi. Sans vous, rien de tout cela n'aurait été possible.

NKISSA KUDOLYE JOSPIN



REMERCIEMENTS

Avec un coeur profondément reconnaissant et des mots chargés d'émotion, je tiens à commencer cette page en rendant gloire à Jéhovah Dieu, le Soutien suprême de ma vie. À Lui seul reviennent les louanges éternelles pour le souffle de vie, la santé préservée, la force quotidienne, et la protection invisible mais constante dont j'ai bénéficié tout au long de ce parcours. Sans Sa main puissante, aucun de mes efforts n'aurait porté de fruit.

Je rends un hommage vibrant à mes chers parents, Kuudolye Celestin et Kikaina Naomie , véritables artisans de mon avenir, pour leur amour inconditionnel, leur soutien inlassable, et surtout pour avoir assuré ma scolarité de façon continue, depuis mes premiers pas à l'école maternelle jusqu'à ce jour. Vous avez été et restez mes modèles de persévérance et de foi. Grâce à vous, je me tiens aujourd'hui debout, fier du chemin parcouru.

Mes pensées les plus affectueuses vont également à l'ensemble de ma famille élargie, et tout particulièrement à mes oncles et tantes actuellement présents ici à Lubumbashi, pour leur soutien moral de haute qualité, leur proximité affectueuse, et leurs paroles réconfortantes aux moments les plus décisifs. Je n'oublierai jamais les cadeaux précieux que vous m'avez offert avec amour et fierté après chaque réussite. Vos gestes m'ont toujours rappelé que je n'étais jamais seul.

Je tiens à exprimer ma gratitude la plus profonde à mon directeur de mémoire, le Professeur MWAMBA KASONGO Dahouda, pour ses orientations ingénieuses, sa disponibilité constante, et sa rigueur académique qui ont largement contribué à donner de la profondeur et de la qualité à ce travail. Son encadrement bienveillant a été un véritable phare tout au long de cette aventure intellectuelle.

Mes sincères remerciements vont également à mon co-directeur, l'Assistant NGOIE NKAYA Philippe, pour ses conseils avisés, son écoute attentive, et ses encouragements stimulants. Son accompagnement méthodique m'a permis de progresser avec assurance et efficacité.

Je ne saurais oublier mes connaissances, mes amis, et toutes les personnes merveilleuses qui ont, d'une manière ou d'une autre, laissé une empreinte positive dans cette aventure. Une mention spéciale et honorifique à Maître ASIM, un ami exceptionnel et une source inépuisable d'inspiration depuis l'école SHALOM jusqu'à UPL avec la devise sanguine « rendre les parentes fières car nous n'avons aucune seconde d'erreur la science ! la science ! »

À tous ceux et celles qui, par un geste, un mot, un sourire ou une prière, ont contribué à cette réussite, je vous dis un immense MERCI. Que Jéhovah Dieu vous comble de ses bénédictions les plus riches.



Table des matières

REMERCIEMENTS ii

LISTE DE FIGURES v

LISTE DES TABLEAU vii

INTRODUCTION 1

CHAPITRE 1 : Revue de la littérature 4

I.1 Revue des systèmes 4

CHAPITRE 2 : MÉTHODOLOGIE 11

2.1 Introduction 11

2.2 Présentation des méthodologies de développement logiciel (SDLC) 11

2.3 Outils et technologies utilisés 15

2.4 Architecture du système 17

2.5 Méthode d'implémentation du NLP 17

2.6 Exigences fonctionnelles et non fonctionnelles 19

2.7 Limites méthodologiques 19

2.8 Conclusion 19

Chapitre 3 Conception du système 20

3.1 Introduction 20

3.2 Modélisation du processus métier 21

3.3 Identification des acteurs 22

3.4 Diagramme de contexte métier 23

3.5 Diagramme de processus métier BPMN (Business Process Model and Notation) 24

3.6 Diagramme de cas d'utilisation métier 26

3.7 MODELE DU DOMAIN 27

3.7 Analyse du système informatique 28

3.8. Analyse des besoins de conception 32

3.9 Diagramme de séquence 37

3.12. CONCEPTION DU MODÈLE LOGIQUE DE DONNÉES 60

3.13. DIAGRAMME DE DÉPLOIEMENT 61

Conclusion partielle 64

CHAPITRE 4 IMPLEMENTATION DE LA SOLUTION PROPOSEE 65

4.1. Introduction 65

4.1. Technologies 65

4.2 Rappels théoriques essentiels 68

4.2.1. Introduction au Machine Learning 68

1.2.2 Apprentissage supervisé 68

2.2.3 Apprentissage non supervisé 69

2.3.4 Apprentissage par renforcement 69

iv

2.3.5 Notions de Deep Learning 69

4.3 Récolte de données 74

4.4 Conception et Entraînement du Modèle de Classification pour l'Analyse CV-Offres 75

4.5. Conclusion 80

CHAPITRE 5. RESULTATS ET EVALUATIONS 81

5.1 Résultats 81

Conclusion Générale 87

Bibliographie 88



LISTE DE FIGURES

Figure 1 Diagramme de contexte métier 24

Figure 2 Diagramme de processus métier BPMN 25

Figure 3 Diagramme de cas d'utilisation métier 26

Figure 4 Diagramme de classes système 28

Figure 5 Présentation du système 33

Figure 6 Diagramme de cas d'utilisation 35

Figure 7 Diagramme de séquence CU1 créer compte 38

Figure 8 Diagramme de séquence CU2 S'authentifier 39

Figure 9 Diagramme de séquence CU 3 Réinitialisation de mot de passe 40

Figure 10 Diagramme de séquence CU 4 Gérer profil 41

Figure 11 Diagramme de séquence CU 5 Publier offre 42

Figure 12 Diagramme de séquence CU 6 Gérer l'offre 43

Figure 13 Diagramme de séquence CU 7 Consulter les offres 44

Figure 14 Diagramme de séquence CU 8 Téléverser un cv 45

Figure 15 Diagramme de séquence CU 9 supprimer ou modifier un cv 46

Figure 16 Diagramme de séquence CU 10 Analyser un cv 47

Figure 17 Diagramme de séquence CU 12 Afficher résultat 48

Figure 18 Diagramme de séquence CU 11 AfficherResultat 48

Figure 19 Diagramme de séquence CU 12 afficher candidatures 49

Figure 20 Diagramme système 51

Figure 21 Diagramme de classe participante CU 2 Authentification 52

Figure 22 Diagramme de classe participante CU 2 Authentification 52

Figure 23 Diagramme de classe participante CU 3 Réinitialisation 53

Figure 24 Diagramme de classe participante CU 4 Gérer profil 53

Figure 25 Diagramme de classe participante CU 5 publier offre 54

Figure 26 Diagramme de classe participante CU 6 Gérer offre 55

Figure 27 Diagramme de classe participante CU 7 Consulter l'offre 56

Figure 28 Diagramme de classe participante CU 8 Téléverser cv 56

Figure 29 Diagramme de classe participante CU 9 Supprimer modifier cv 57

Figure 30 Diagramme de classe participante CU 10 Analyser cv 58

Figure 31 Diagramme de classe participante CU 11 Afficher résultat 59

Figure 32 Diagramme de classe participante CU 12 Afficher candidature 59

Figure 34 Diagramme de déploiement 63

Figure 35 Machine learning, deep learning description 70

Figure 36 Quelques Domaines du nlp 73

Figure 37 Déséquilibre initiale de classe 76

Figure 38 Equilibres de classes 77

Figure 39 Comparaison de la performance des modèles 78

Figure 40 Tableau comparatif des modèles 78

Figure 41 visualisation de la courbe de précision et perte 79

Figure 42 Matrice de confusion du modèle validé 79

Figure 43 Matrice de confusion normalisé 79

vi

Figure 44 interface d'accueille 81

Figure 45 interface des offres 81

Figure 46 interface des offres avec option de filtre 82

Figure 47 interface de login pour s'authentifier 82

Figure 48 interface pour réinitialiser le mot de passe 83

Figure 49 interface pour la vérification de OTP envoyer par mail 83

Figure 50 interface pour sur la vue du détaille de l'offre 84

Figure 51Interface pour uploader le cv 84

Figure 52 Dashboard Entreprise 85

Figure 53 Dashboard chercheur d'emploie 85

Figure 54 Dashboard entreprise avant l'analyse 85

Figure 55Dashboard entreprise l'analyse encours 86

Figure 56 opération Asynchrone avec serveur celery 86

Figure 57 Résultat d'analyse 86



LISTE DES TABLEAU

Tableau 1 Outils et technologies utilisés 15

Tableau 2 Rôles des acteurs 23

Tableau 3 Identification des acteurs du système d'Analyse de cv basé sur le NLP 33

Tableau 4 Planification des itérations 35

Tableau 5 Contenu du dataset 74

Tableau 6 Algorithmes implémentés 77



INTRODUCTION

Contexte du sujet

Le processus de recrutement constitue un pilier fondamental de la gestion des ressources humaines, car il détermine la qualité du capital humain au sein d'une organisation. Avec la numérisation croissante des candidatures, les entreprises doivent aujourd'hui traiter un volume massif de CV, ce qui rend les méthodes traditionnelles de sélection de plus en plus inefficaces.

Cette surcharge d'informations entraîne non seulement une perte de temps considérable, mais aussi une augmentation du risque d'erreur humaine ou de biais dans l'évaluation des profils. Si un recruteur passe une minute au moins pour évaluer un CV. Imaginons que suite d'une annonce , l'entreprise reçoit 2000 CV, cela voudrait dire que le recruteur passerait environ 33 heures pour la sélection de ces CV, ce qui équivaut 4 jours de travail de 8 heures.

Parallèlement, les avancées dans le domaine de l'intelligence artificielle (IA), et plus particulièrement du traitement automatique du langage naturel (Natural Language Processing, NLP), ont ouvert de nouvelles perspectives pour automatiser et améliorer les processus décisionnels. Le NLP permet aux machines de comprendre, d'analyser et de générer du langage humain, ce qui en fait une technologie de choix pour l'analyse de documents non structurés tels que les CV.

Dans ce contexte, plusieurs solutions intelligentes ont été proposées dans le monde pour automatiser la présélection des candidatures. Des systèmes basés sur la détection de mots-clés, des moteurs de correspondance sémantique, et plus récemment des modèles d'apprentissage profond tels que BERT ou GPT ont été mis en oeuvre avec des résultats encourageants.

À Lubumbashi, le recrutement pour plusieurs structures reste encore largement manuel, malgré la disponibilité croissante de CV numériques. Les départements des ressources humaines manquent souvent d'outils adaptés pour automatiser ce processus, ce qui ralentit considérablement la sélection des bons profils. Il existe donc un besoin réel et urgent d'outils intelligents.

Ce mémoire s'inscrit dans cette dynamique. Il vise à concevoir un système intelligent capable d'analyser automatiquement des CV numériques rédigés en français, à l'aide de techniques avancées de traitement du langage naturel. Ce système pourra ainsi contribuer à rendre le processus de présélection plus rapide, plus objectif et plus efficace au sein des entreprises de Lubumbashi.

Objectifs de l'étude

L'objectif principal de cette étude est de concevoir un système intelligent d'analyse de CV basé sur le traitement du langage naturel (NLP) permettant d'automatiser l'évaluation initiale des candidatures au sein d'un département des ressources humaines.

Les objectifs spécifiques sont :

· D'extraire automatiquement les informations pertinentes contenues dans les CV (diplômes, expériences, compétences, etc.).

· De mesurer la correspondance entre les profils et les offres d'emploi selon des critères définis.

2

· De proposer un classement des candidats en fonction de leur adéquation avec le poste à pourvoir.

· D'adapter le système au contexte local congolais, notamment au format des CV rédigés en français.

Dans un environnement économique de plus en plus compétitif, les entreprises doivent recruter rapidement les meilleurs profils. Cependant, les départements RH sont souvent confrontés à la difficulté de traiter manuellement un grand volume de candidatures, Ce traitement manuel est non seulement long, mais il peut également être subjectif et peu reproductible.

Plusieurs outils existent pour aider à cette tâche, mais ils sont souvent conçus pour des environnements anglophones, ne tiennent pas compte de la structure des CV francophones, et nécessitent des ressources techniques importantes. À Lubumbashi, les petites et moyennes entreprises disposent rarement d'outils intelligents ou de personnel formé à ce type de technologie.

Dès lors, une question centrale se pose : comment concevoir un système intelligent, basé sur le NLP, capable d'analyser automatiquement des CV en français et d'optimiser le processus de présélection des candidatures ?

Hypothèse

Nous posons l'hypothèse suivante :

L'utilisation d'un système intelligent basé sur le traitement automatique du langage naturel permet d'automatiser et d'accélérer le processus de présélection des CV, tout en améliorant la pertinence des candidats retenus pour un poste donné.

Importance ou justification de l'étude Ce travail est justifié par plusieurs besoins :

v Sur le plan pratique, il répond à une demande réelle d'amélioration des outils RH dans un contexte local où les ressources sont limitées.

v Sur le plan scientifique, il s'inscrit dans la dynamique actuelle de recherche autour du NLP appliqué à des problématiques RH.

v Sur le plan technologique, il explore la mise en oeuvre de modèles d'IA modernes dans un environnement francophone et africain, souvent peu représenté dans les bases de données utilisées pour l'apprentissage automatique.

Portée et limites

La portée de cette étude se limite aux points suivants :

· Le système ne traitera que des CV numériques (PDF).

· Seuls les CV rédigés en langue française seront analysés.

3

· Le système s'arrête à la phase de présélection : il ne réalise pas d'évaluation comportementale ni d'entretien.

Les limites incluent :

· L'efficacité du système dépendra de la qualité des CV (orthographe, structure, lisibilité).

· Le manque de données locales annotées pour l'entraînement de modèles peut limiter la performance initiale.

Structure du travail

Ce mémoire est organisé en cinq chapitres principaux :

v Chapitre 1 : Revue de la littérature

Analyse des travaux existants en lien avec l'analyse automatique de CV, le NLP appliqué aux RH, et les systèmes intelligents d'évaluation des candidatures.

v Chapitre 2 : Méthodologie

Présentation du modèle de développement logiciel (SDLC), des techniques NLP adoptées, et des outils mis en oeuvre.

v Chapitre 3 : Conception du système

Analyse du système informatique (Modélisation des exigences fonctionnelles et non fonctionnelles ...)

Conception du système informatique (description de l'architecture, et conception UML ...)

v Chapitre 4 : Implémentation

Description technique de la réalisation du système, des choix technologiques et des modules implémentés.

v Chapitre 5 : Résultats et évaluation

Présentation du système développé, des tests effectués (fonctionnalité, performance, utilisabilité ...) et interprétation des résultats obtenus.

4

CHAPITRE 1 : Revue de la littérature

De nos jours, avec le grand nombre de candidatures que les entreprises reçoivent, il devient de plus en plus important de trouver des moyens efficaces pour analyser les CV. C'est dans ce contexte que les systèmes intelligents, combinant intelligence artificielle, traitement du langage naturel (NLP) et ressources humaines, prennent tout leur sens. Ce chapitre propose un regard critique sur les recherches qui ont déjà été menées dans ce domaine.

Nous allons voir quelles méthodes ont été utilisées, quels étaient les objectifs, ce qui a été obtenu et quelles limites ont été rencontrées. Cela nous permettra d'identifier ce qui manque encore, et de mieux comprendre pourquoi le projet que nous présentons ici est pertinent et utile

I.1 Revue des systèmes

Revue (1)

I.1.1 L'intelligence artificielle au coeur du processus de recrutement E Recrutement 4.0 au Maroc : Etat des lieux et perspectives [1].

1. Identification des lacunes en matière de recherche ou de mise en oeuvre

Manque d'application à 100% : L'e-recrutement 4.0 n'est pas encore pleinement appliqué au Maroc, ce qui souligne un écart entre les possibilités technologiques et

leur adoption réelle.

Résistance des candidats :

Une grande partie des candidats refuse d'être évaluée par un robot, en raison :

o du manque de formation numérique,

o de la peur de l'automatisation,

2. Synthèse

L'article synthétise plusieurs travaux antérieurs en montrant que l'intelligence artificielle apporte :

des gains en efficacité (temps de traitement des CV réduit de 18h à quelques minutes),

une réduction des erreurs humaines,

une capacité d'analyse de grands volumes de données (Allal-Chérif et al., 2021).

Mais il regroupe aussi les critiques fréquentes :

manque de transparence des décisions algorithmiques,

risques d'erreurs injustes,

Des études de cas (ex. Amazon) et des témoignages d'experts (Morgane Fantino, 2021).

3. Analyse critique

Points forts : L'étude met en lumière les avantages tangibles de l'IA dans le

recrutement, comme l'efficacité et la rapidité, tout en soulignant les défis techniques et culturels.

5

Limites : Les auteurs notent que les travaux existants se concentrent souvent sur les perspectives des recruteurs, négligeant parfois la perception des candidats, notamment dans des contextes spécifiques comme le Maroc.

Contributions : L'article comble partiellement cette lacune en analysant la perception des candidats marocains

4. Contextualisation

La revue de la littérature montre que l'e-recrutement basé sur l'intelligence artificielle améliore la rapidité et l'efficacité du tri des candidatures. Cependant, ces solutions sont souvent développées pour des contextes internationaux, principalement anglophones, et ne s'adaptent pas bien aux réalités locales.

À Lubumbashi, les CV sont souvent non structurés, rédigés en français, et les entreprises disposent de peu de ressources techniques.

Le présent mémoire vise donc à combler ce vide en développant une solution NLP adaptée au contexte local, capable d'analyser automatiquement les CV francophones dans un environnement à faible technicité.

Revue (2)

I.1.2 Diplôme : Master en gestion des ressources humaines, à finalité spécialisée en "politique et management RH" [2].

1. Identification des lacunes en matière de recherche ou de mise en oeuvre

En parcourant les travaux existants, notamment celui de Martins et Mariana (2022),plusieurs limites apparaissent dans les approches actuelles d'automatisation du recrutement par le traitement du langage naturel. Ces recherches, bien qu'intéressantes, restent souvent éloignées des réalités du terrain dans des contextes comme celui de Lubumbashi.

Premièrement, la majorité des études s'appuient sur des données provenant de grandes entreprises internationales, avec peu de prise en compte des spécificités locales. Or, dans des villes comme Lubumbashi, les candidatures présentent une grande diversité de formats parfois non structurés, manuscrits ou scannés et les entreprises disposent rarement des moyens techniques nécessaires pour intégrer des solutions complexes.

Deuxièmement, bien que des modèles avancés de NLP tels que BERT soient évoqués, leur application concrète dans l'analyse de CV, notamment en langue française, reste encore limitée. Leur potentiel est loin d'être pleinement exploité, surtout dans des contextes à faible ressource.

Par ailleurs, les systèmes proposés sont généralement peu personnalisés. Ils utilisent des scores standards de similarité(TF-IDF), sans véritablement tenir compte des attentes spécifiques du recruteur ou des exigences du poste à pourvoir.

6

Ces constats soulignent la nécessité de concevoir une solution innovante, à la fois intelligente, éthique et réellement adaptée au contexte local.

Synthèse

L'article explore l'utilisation des outils de traitement automatique du langage naturel (NLP) dans le domaine des ressources humaines, notamment pour l'analyse de CV et l'appariement aux offres d'emploi. Il passe en revue plusieurs systèmes, outils, et méthodes existantes, comme le TF-IDF ou encore les moteurs de recommandation classiques.

Analyse critique

L'examen du document de référence fait apparaître plusieurs limites notables dans les approches existantes de l'analyse automatisée des candidatures.

D'abord, les solutions reposent encore largement sur des représentations textuelles traditionnelles, comme le modèle TF-IDF, qui reste limité. Même si des modèles plus avancés comme BERT sont mentionnés, leur intégration est encore incomplète ou expérimentale, ce qui réduit leur impact réel sur la qualité de l'analyse.

Ensuite, on constate un manque de personnalisation et de prise en compte du contexte. Les systèmes évalués se contentent souvent d'un appariement générique, sans s'adapter aux spécificités d'un poste, d'une entreprise, ou aux préférences individuelles des recruteurs. Cette approche compromet la pertinence des résultats proposés.

Contextualisation

Dans un monde du travail en pleine transformation numérique, les départements des ressources humaines cherchent à moderniser leurs outils pour gagner en efficacité et en objectivité. Le recours au traitement automatique du langage naturel (NLP) s'inscrit dans cette dynamique, en permettant d'analyser plus rapidement et de manière plus cohérente des centaines de candidatures.

Dans ce contexte, le présent travail vise à combler ce vide en concevant un système intelligent d'analyse de CV, combinant des techniques de NLP, une approche éthique et une adaptation aux conditions spécifiques du terrain local.

Revue (3)

I.1.3 Un système intelligent pour l'optimisation du processus de e-recrutement [3]

Identification des lacunes en matière de recherche ou de mise en oeuvre

Malgré les avancées importantes dans le domaine du e-recrutement assisté par l'intelligence artificielle, plusieurs lacunes persistent dans les travaux antérieurs, notamment :

7

Identification incomplète du profil de candidat

La majorité des systèmes d'appariement exploitent uniquement le texte brut des offres d'emploi, sans en extraire formellement les caractéristiques clés du profil recherché (ex. : diplôme, expérience, compétences ...). Cela limite la qualité des recommandations de candidats.

Synthèse

la littérature sur le e-recrutement intelligent se structure autour :

Extraction d'entités (NER) : Les méthodes traditionnelles (à base de règles ou d'ontologies) sont aujourd'hui dépassées par les modèles basés sur l'apprentissage automatique (BERT). Ces derniers permettent une meilleure extraction d'informations à partir des offres et des CV.

Analyse critique

Bien que les solutions existantes soient techniquement avancées, plusieurs critiques peuvent toujours persister :

Les méthodes de Matching sont souvent dépendantes de la qualité des données textuelles, ce qui peut jouer négativement sur les résultats.

Contextualisation

Systèmes d'aide à la décision (SAD) de Ramdani (2021) s'inscrit dans une dynamique de modernisation des processus de recrutement en ligne, en combinant :

- l'analyse automatique des documents RH (CV, offres)

- l'extraction de caractéristiques pertinentes (profil recherché) [3].

Revue(4)

1.1.4 Intelligence artificielle appliquée au processus de recrutement - Les perceptions des recruteurs [4]

Identification des lacunes en matière de recherche ou de mise en oeuvre Lacunes théoriques :

- Le mémoire souligne que l'IA dans le recrutement est un sujet émergent, encore peu étudié scientifiquement.

Lacunes pratiques :

- Les entreprises ont encore du mal à intégrer l'IA dans leur stratégie RH globale, faute de moyens, de compétences numériques internes, ou de clarté sur les retours d'investissement.

8

Synthèse

Le mémoire de Mariana Martins explore les perceptions des recruteurs vis-à-vis de l'IA dans le processus de recrutement. Il adopte une méthode qualitative à travers des entretiens semi-directifs. L'étude montre que :

- L'IA est perçue comme un levier d'efficacité, surtout dans les phases de présélection.

- Elle soulage les recruteurs des tâches répétitives, permet un meilleur ciblage et accélère le traitement des candidatures.

Analyse critique

Points forts du mémoire :

Bonne structuration théorique : le mémoire offre une revue de littérature approfondie sur la GRH, le recrutement et l'IA.

Limites :

L'analyse pourrait approfondir davantage les enjeux juridiques et les dimensions éthiques (RGPD Règlement Général sur la Protection des Données.), consentement).

Contextualisation

Dans le contexte socio-économique :

Le mémoire s'inscrit dans un moment post-COVID où le télétravail, le recrutement à distance, et la transformation digitale accélèrent la mutation des RH.

Revue(5)

I.1.5 Mise en correspondance entre les CV et les offres d'emploi en utilisant le Deep Learning [5]

Identification des lacunes en matière de recherche ou de mise en oeuvre. Lacunes en recherche :

- Peu de références sont faites aux enjeux juridiques et éthiques (comme la confidentialité des données personnelles ou les biais algorithmiques dans les systèmes de recrutement).

Lacunes en mise en oeuvre :

- Le système repose sur des données collectées via web scraping (Indeed), ce qui peut poser problème légalement si l'usage n'est pas encadré.

Synthèse du mémoire

Ce mémoire propose un système de recommandation qui met en correspondance les CV et les offres d'emploi à l'aide du deep learning, notamment :

9

Un réseau de neurones classificateur pour étiqueter les segments des CV (éducation, expérience, compétences).

L'utilisation de cosinus de similarité pour calculer la similarité sémantique entre les éléments d'un CV et ceux d'une offre d'emploi.

Analyse critique Points forts :

Travail rigoureux et structuré, avec une bonne maîtrise des outils de traitement du langage naturel (NLP) et du deep learning.

Limites :

L'ensemble du système repose sur des données textuelles extraites automatiquement Contextualisation

Dans le contexte technologique :

L'usage du deep learning dans le NLP est pertinent et montre l'évolution des outils classiques (mots-clés) vers des approches plus intelligentes.

Dans le contexte local et académique :

Le mémoire contribue à valoriser l'application de l'IA dans les systèmes web au sein des universités algériennes.

Pourquoi faire une revue de la littérature ?

1. Pour mieux comprendre notre sujet :

Avant de concevoir un système intelligent d'analyse de CV, il est essentiel de comprendre en profondeur les fondements théoriques liés au traitement du langage naturel et à son usage dans le domaine des ressources humaines. La revue de littérature permet d'explorer les travaux antérieurs, d'identifier les modèles et techniques couramment utilisés (comme Word2Vec ou BERT), et de mieux cerner les enjeux liés à l'automatisation du tri des candidatures. Cette compréhension offre non seulement une base solide à la démarche, mais oriente aussi le choix des technologies adaptées aux objectifs du projet.

2. Pour identifier les lacunes et les besoins de recherche :

Analyser les recherches existantes aide à révéler les limites que rencontrent les systèmes d'analyse de CV actuels, comme leur difficulté à traiter les formats non standardisés, leur manque de contextualisation ou leur tendance à négliger les compétences transversales. En mettant en évidence ces insuffisances, la revue de littérature ouvre des pistes concrètes d'amélioration et permet de mieux cibler les besoins encore insatisfaits, que ce soit en termes techniques, fonctionnels ou éthiques.

10

3. Pour justifier notre recherche :

La revue de littérature permet aussi de positionner clairement sa propre contribution. En s'appuyant sur les études existantes et en soulignant leurs limites, elle montre en quoi le système proposé se distingue et répond à des besoins réels. Dans notre cas, l'intégration du NLP pour analyser intelligemment les CV vise à offrir une solution plus précise, plus accessible et mieux adaptée aux exigences des recruteurs, notamment dans des contextes locaux peu représentés dans la recherche actuelle.

4. Pour faciliter la rédaction d'un travail de recherche :

Enfin, la revue de littérature joue un rôle structurant dans la rédaction du mémoire. Elle permet de construire la problématique, d'alimenter le cadre conceptuel, et de justifier les choix méthodologiques. Elle sert également de repère tout au long du projet, assurant cohérence et rigueur scientifique. Ainsi, elle facilite non seulement la rédaction du travail, mais renforce également la recherche.

11

CHAPITRE 2 : MÉTHODOLOGIE

2.1 Introduction

En informatique, la méthodologie désigne l'ensemble des techniques, processus et approches utilisés pour concevoir, développer, implémenter et maintenir des systèmes informatiques. Elle s'applique à toutes les étapes du cycle de vie logiciel, depuis l'analyse des besoins jusqu'à la maintenance, en passant par la conception, le codage et les tests. Une méthodologie rigoureuse permet de structurer le travail, de garantir la qualité du logiciel produit, et de réduire les risques d'échec du projet.

Dans le domaine de l'ingénierie logicielle, la méthodologie représente bien plus qu'une simple succession d'étapes techniques. Elle incarne une vision structurée du développement logiciel, qui permet de traduire une idée fonctionnelle en une solution informatique fiable, performante et évolutive. Concrètement, elle désigne l'ensemble des techniques, processus et approches utilisées pour analyser, concevoir, implémenter, tester, déployer et maintenir un système logiciel.

Chaque projet, quelle que soit sa taille, repose sur une série de choix méthodologiques qui influencent directement sa réussite. Sans une démarche rigoureuse et bien définie, le développement logiciel devient vulnérable aux retards, aux erreurs de conception, à l'instabilité du code et à l'inadéquation entre le produit final et les besoins des utilisateurs.

La méthodologie s'applique donc à toutes les phases du cycle de vie logiciel -- depuis la formulation des exigences jusqu'à la maintenance post-déploiement, en passant par la modélisation, la programmation et l'évaluation des performances. Elle permet de structurer le travail des développeurs, de coordonner les efforts de l'équipe projet, et surtout, d'assurer que chaque décision technique reste alignée avec les attentes fonctionnelles du client ou de l'utilisateur final.

Mais au-delà de sa dimension technique, la méthodologie est aussi une démarche humaine. Elle établit un cadre de collaboration entre les différents acteurs du projet : développeurs, chefs de projet, analystes métiers, utilisateurs finaux. Elle définit les rôles, organise la communication, facilite les feedbacks et favorise l'amélioration continue. Ainsi, elle devient un levier stratégique pour anticiper les difficultés, maîtriser les risques et construire des solutions réellement utiles et durables.

Dans le cadre du présent projet, qui vise à concevoir un système intelligent d'analyse de CV à l'aide du traitement automatique du langage naturel (NLP), le recours à une méthodologie adaptée est indispensable. Le caractère innovant, technique et évolutif de cette solution nécessite une démarche de développement souple, progressive et centrée sur l'utilisateur.

2.2 Présentation des méthodologies de développement logiciel (SDLC)

Le développement logiciel repose sur des modèles méthodologiques bien établis, regroupés sous le terme de SDLC (Software Development Life Cycle). Chaque modèle organise les différentes phases du développement selon des principes et une logique propre. Le choix du modèle influence profondément la manière de gérer le projet, de collaborer en équipe et d'interagir avec les utilisateurs finaux.

12

Ci-dessous, une présentation des principales méthodologies :

1. Le modèle en cascade (Waterfall)

Le modèle en cascade est l'un des plus anciens modèles de développement. Il se caractérise par une progression linéaire et séquentielle des phases de développement. Chaque étape (analyse des besoins, conception, implémentation, test, déploiement, maintenance) doit être complétée avant de passer à la suivante.

Caractéristiques :

· Rigidité du processus : pas de retour possible en arrière.

· Documentation exhaustive à chaque phase.

· Adapté aux projets à exigences fixes et stables. Avantages :

· Simplicité de mise en oeuvre.

· Bonne traçabilité des livrables. Limites :

· Faible adaptabilité aux changements.

· Risque élevé si les besoins sont mal définis au départ.

2. Le modèle en spirale

Ce modèle introduit une approche itérative combinée à une analyse du risque. Chaque cycle (ou spirale) contient les étapes classiques du développement, mais avec des boucles successives qui permettent d'améliorer ou de corriger le produit progressivement.

Caractéristiques :

· Axé sur la gestion des risques.

· Intègre des retours fréquents. Avantages :

· Bonne maîtrise des risques.

· Adapté aux projets longs ou complexes. Limites :

· Coûts élevés.

· Nécessite une expertise en évaluation de risques.

3. Le modèle en V (ou modèle de validation et de vérification)

C'est une extension du modèle en cascade, avec une correspondance stricte entre chaque phase de développement et sa phase de test. Chaque exigence a un plan de test associé.

13

Caractéristiques :

· Vision claire des étapes de validation.

· Phase de tests bien planifiée. Avantages :

· Haut niveau de qualité logicielle.

· Réduction des erreurs de validation. Limites :

· Peu flexible.

· Nécessite une très bonne définition des exigences dès le départ.

4. Le modèle Agile

Le modèle Agile est itératif, incrémental et collaboratif. Il repose sur une organisation du travail en sprints (courtes périodes de développement), avec des démonstrations régulières, des tests continus et une adaptation rapide aux retours des utilisateurs.

Caractéristiques :

· Priorité à la satisfaction du client.

· Évolution continue du produit. Avantages :

· Flexibilité aux changements.

· Amélioration continue.

· Forte implication des utilisateurs. Limites :

· Moins adapté aux projets très réglementés.

· Risque de dérive si la gestion de projet est faible.

5. La méthode DevOps

DevOps (Development + Operations) est une culture qui vise à rapprocher les équipes de développement logiciel et celles chargées de l'exploitation (déploiement, surveillance). Elle met l'accent sur l'automatisation, la livraison continue et l'intégration continue.

Caractéristiques :

· Développement, test et déploiement automatisés.

· Surveillance et retour immédiat après mise en production.

14

Avantages :

· Accélère la livraison des fonctionnalités.

· Améliore la stabilité des systèmes. Limites :

· Nécessite une infrastructure technique avancée.

· Transformation culturelle parfois difficile dans les grandes entreprises. 6. Le modèle Lean

Inspiré du lean manufacturing, cette méthode vise à éliminer les gaspillages, optimiser la valeur apportée au client et réduire les délais. Elle repose sur la simplification des processus, la réduction des tâches inutiles, et l'autonomie des équipes.

Caractéristiques :

· Centré sur la valeur utilisateur.

· Recherche permanente de l'efficience. Avantages :

· Gain de temps et de ressources.

· Produit adapté aux besoins réels. Limites :

· Peut être difficile à mettre en oeuvre sans expérience.

· Moins structuré que les modèles classiques. 2.3 Justification du modèle choisi : Agile

Compte tenu de la nature évolutive du projet (analyse de CV et recrutement intelligent), le choix s'est porté sur la méthodologie Agile. Cette approche permet de :

· Décomposer le développement en sprints hebdomadaires,

· Intégrer rapidement les retours des RH et utilisateurs finaux,

· Livrer des fonctionnalités utiles à chaque itération,

· Réagir rapidement aux imprévus et changements fonctionnels.

15

2.3 Outils et technologies utilisés

Le projet a mobilisé des technologies modernes, adaptées aux besoins du NLP et du développement web :

Tableau 1 Outils et téchnologies utilisés

Catégorie Outils/Technologies Justification

Environnement de développement	Anaconda	Distribution Python complète et stable avec gestionnaire d'environnements intégrés (conda), idéale pour le NLP et la data science
Langage principal	Python	Langage flexible, adapté au traitement NLP et à l'IA
Framework Web	Django	Framework rapide, sécurisé, avec architecture MVT intégrée
Traitement du langage	spaCy, Transformers (BERT)	Extraction avancée d'entités, compréhension sémantique
Base de données	PostgreSQL	Système relationnel robuste, performant et open source
Interface frontend	Rectact	Design réactif, moderne et facile à intégrer avec l'architecture mvvm
Visualisation	Matplotlib, Seaborn	Génération de graphiques analytiques clairs et personnalisables

SECTION : Environnement et outils de développement

Afin de concevoir un système intelligent d'analyse de CV basé sur le traitement automatique du langage naturel, nous avons soigneusement sélectionné une série d'outils, bibliothèques et environnements adaptés au contexte du projet. Cette section décrit en détail les choix technologiques retenus ainsi que leur justification technique et fonctionnelle.

1. Environnement de développement : Anaconda

L'environnement de développement utilisé dans ce projet est Anaconda. Il s'agit d'une distribution open source de Python, largement adoptée dans les domaines de la data science, du machine learning et du traitement de données. Anaconda fournit un écosystème intégré comprenant le gestionnaire de paquets Conda, un environnement isolé et reproductible, ainsi que des interfaces comme Jupyter Notebook ou Spyder. Ce choix permet de gérer facilement les dépendances complexes liées aux bibliothèques NLP (comme spaCy, transformers) et d'assurer une compatibilité cohérente des versions. De plus, Anaconda facilite le déploiement sur différents systèmes (Windows, Linux), ce qui est crucial pour la portabilité du projet.

L'interface web destinée aux utilisateurs (entreprises et demandeur d'emploie) a été développée en s'appuyant sur la bibliothèque JavaScript React. Ce choix technologique permet de

16

2. Langage de programmation principal : Python

Le langage central utilisé est Python, en raison de sa grande richesse en bibliothèques dédiées au traitement du langage naturel, à l'intelligence artificielle et à la science des données. Python est aujourd'hui considéré comme la norme dans les domaines du NLP, grâce à des bibliothèques comme spaCy, NLTK, scikit-learn, TensorFlow ou encore Hugging Face Transformers. Sa syntaxe claire et son accessibilité favorisent une productivité accrue et facilitent la collaboration entre développeurs. De plus, Python est bien supporté dans les environnements universitaires, ce qui rend son intégration naturelle dans un cadre académique.

3. Framework Web : Django

Pour le développement de l'application web, nous avons utilisé le framework Django. Ce framework Python repose sur une architecture modèle-vue-contrôleur (MVC) qui favorise la séparation des responsabilités et la maintenabilité du code. Django est reconnu pour sa sécurité, sa robustesse et sa rapidité de développement. Il intègre nativement des modules pour la gestion des utilisateurs, l'administration des données, les migrations de base de données, ce qui permet un développement accéléré et structuré de la plateforme. Django est également bien adapté à l'intégration de composants d'intelligence artificielle via des APIs.

4. Traitement automatique du langage : spaCy et Transformers (BERT)

Le coeur du système repose sur l'analyse linguistique et sémantique des documents textuels (CV, offres d'emploi). Pour cela, nous avons utilisé deux outils puissants et complémentaires. D'une part, spaCy permet un traitement linguistique rapide et précis : tokenisation, lemmatisation, reconnaissance d'entités nommées (NER), etc. D'autre part, la bibliothèque Transformers de Hugging Face fournit des modèles de langage pré-entraînés (comme BERT) capables de produire des représentations sémantiques profondes des phrases. Ces modèles permettent un appariement intelligent entre un CV et une offre d'emploi, même lorsque les termes utilisés diffèrent. Le couplage de spaCy pour la syntaxe et de BERT pour la sémantique permet une analyse fine, robuste et contextualisée.

5. Base de données : PostgreSQL

Le système de gestion de base de données utilisé est PostgreSQL. Il s'agit d'un SGBD relationnel open source reconnue pour sa fiabilité, sa conformité aux standards SQL et ses performances, même avec des volumes de données importants. PostgreSQL permet de stocker les profils candidats, les offres d'emploi, les résultats d'analyse, ainsi que les historiques d'évaluation. Sa capacité à gérer des types de données complexes et à supporter les requêtes avancées (jointures, agrégats, indexation) en fait un choix idéal pour ce projet. De plus, son intégration avec Django via l'ORM (Object Relational Mapper) permet une manipulation fluide des données côté backend.

6. Interface utilisateur (Frontend) : React

17

construire des interfaces utilisateur dynamiques et réactives, capables de mettre à jour l'affichage en temps réel en fonction des interactions et des données reçues du backend.

React crée un système d'interface modulaire, où chaque composant peut être stylisé de manière claire et maintenable.

Grâce à cette approche, l'application propose un tableau de bord interactif, ergonomique et responsive, optimisé pour différents formats d'écrans (ordinateurs de bureau, tablettes, terminaux mobiles). L'utilisation de React offre en outre la possibilité d'implémenter des fonctionnalités avancées, telles que le rafraîchissement automatique des résultats de matching, la navigation fluide entre les pages et la gestion centralisée de l'état de l'application. Enfin, cette architecture frontend garantit une accessibilité renforcée et une expérience utilisateur intuitive, en adéquation avec les standards modernes du développement web.

7. Visualisation de données : Matplotlib et Seaborn

Pour visualiser les résultats du système (statistiques de matching, performances,

comparaisons), des bibliothèques de visualisation ont été utilisées. Matplotlib est la bibliothèque de base pour créer des graphiques en Python : histogrammes, courbes, barres,

etc. Seaborn, construite sur Matplotlib, permet d'obtenir des visualisations plus esthétiques avec moins de code, et une intégration facilitée avec les DataFrames (pandas). Ces outils

sont particulièrement utiles pour présenter les résultats des tests, les performances des

modèles NLP, ou encore les distributions de scores de similarité entre CV et offres.

2.4 Architecture du système

L'architecture logicielle suit une structure client-serveur avec les modules suivants :

1. Import des données : Téléversement de CV au format PDF.

2. Extraction et prétraitement : Conversion en texte brut, nettoyage, tokenisation.

3. NLP : Extraction des entités (NER), tokenization, lemmatisation, analyse sémantique.

4. Matching et score : Calcul de similarité entre le profil et une offre d'emploi.

5. Système d'aide à la décision : Classement des candidats.

6. Dashboard : Interface RH, consultation des résultats. 2.5 Méthode d'implémentation du NLP

2.5.1 Extraction et prétraitement

Les CV sont extraits via un module OCR ou extraction PDF directe. Le texte est ensuite nettoyé :

· Suppression des caractères spéciaux

· Mise en minuscule

· Suppression des stopwords (ex. "le", "et", "de")

· Lemmatisation pour réduire les mots à leur racine

18

2.5.2 Reconnaissance d'entités (NER)

Le modèle spaCy est utilisé dans un premier temps pour détecter :

· Les noms et prénoms

· Les diplômes (ex. Licence, Master)

· Les compétences techniques ("Python", "SQL")

· Les dates d'expérience professionnelle

Un modèle BERT pré-entraîné (par ex. CamemBERT pour le français) vient enrichir cette extraction avec une meilleure compréhension contextuelle.

2.5.3 Vectorisation et représentation

Chaque CV et chaque offre sont convertis en vecteurs sémantiques à l'aide d'un encodeur BERT. 2.5.4 Calcul de similarité (cosine similarity)

Contexte : Après extraction des textes du CV et de l'offre, le système utilise un modèle BERT (ou autre encodeur NLP) pour transformer ces textes en vecteurs numériques (embedding). Chaque document devient un vecteur dans un espace sémantique.

But : Mesurer à quel point le CV et l'offre d'emploi sont proches dans cet espace vectoriel. On utilise pour cela la similarité cosinus (cosine similarity).

(AxB)

Formule mathématique :

sim(A, B) = (||A||x||B||

Avec :

· A et B : vecteurs denses du CV et de l'offre.

· A · B : produit scalaire des deux vecteurs.

· ?A? et ?B? : norme (longueur) des vecteurs A et B. Interprétation du score :

· Score = 1 ? les deux vecteurs sont identiques (même orientation) ? documents très similaires.

· Score = 0 ? les vecteurs sont orthogonaux ? aucune similarité.

· Score < 0 (rare dans ce contexte) ? vecteurs opposés ? contradiction ou divergence sémantique.

Mathématiquement par là tous s'expliquent et facile à démontrer une fois le texte converti en vecteur . Supposons que l'encodage donne ces vecteurs :

· CV ? A = [0.5, 0.1, 0.4]

· Offre ? B = [0.6, 0.0, 0.3] sim(A, B) donnera = 0.965

19

2.5.5 Classement intelligent

Les candidats sont classés selon leur score, et ce classement est affiché dans le dashboard RH Entreprise.

2.6 Exigences fonctionnelles et non fonctionnelles

Fonctionnelles

· Upload de CV PDF

· Extraction automatique des données pertinentes

· Matching avec des offres d'emploi

· Dashboard RH (score, export, tri) Non fonctionnelles

· Réactivité de l'interface

· Sécurité des données (authentification, cryptage)

· Compatibilité mobile et navigateurs

· Performances (temps de traitement < 2 secondes) 2.7 Limites méthodologiques

Certaine limite à signaler :

· Difficultés de traitement de certains formats PDF complexes 2.8 Conclusion

La méthodologie déployée combine des outils modernes, une approche agile et des techniques de NLP puissantes afin de répondre aux besoins du e-recrutement intelligent. Le prochain chapitre abordera en détail la conception technique du système et ses différents composants fonctionnels.

20

Chapitre 3 Conception du système

3.1 Introduction

Dans le cadre de ce mémoire portant sur le développement d'un système intelligent d'analyse de CV fondé sur le traitement du langage naturel (NLP), le présent chapitre constitue une étape fondamentale de la démarche méthodologique. Il vise à exposer en détail le processus de conception de l'application envisagée, depuis l'identification des besoins métier jusqu'à la définition des modèles logiques et techniques.

La conception d'un système d'information repose sur un enchaînement structuré d'activités qui permettent de passer d'un constat problématique à une solution technique fiable et pertinente. Dans le domaine du recrutement, la gestion des candidatures est aujourd'hui confrontée à plusieurs difficultés: la réception massive de CV non standardisés, la lenteur de l'évaluation manuelle, et la subjectivité inhérente au tri des candidatures. L'émergence des techniques de NLP, notamment les modèles pré-entraînés comme BERT (Bidirectionnel Encoder Représentations from Transformers), ouvre des perspectives nouvelles pour automatiser l'analyse sémantique des documents et fiabiliser la sélection des profils.

Le système conçu dans ce travail a pour vocation de permettre une comparaison objective et automatisée entre le contenu des CV déposés par les demandeurs d'emploi et les offres publiées par les entreprises, grâce à l'intervention du système intelligent d'analyse. L'originalité du dispositif repose sur la capacité à traiter des CV au format PDF, à extraire leur contenu textuel, à encoder l'information en vecteurs numériques par BERT, et à calculer un score de pertinence par la mesure de similarité cosinus. Ce score constitue un indicateur objectif de la correspondance entre un profil et une offre d'emploi.

Le présent chapitre est organisé en plusieurs sections complémentaires. La première partie expose l'analyse métier, qui consiste à étudier le processus actuel de gestion des candidatures, à identifier les contraintes et les besoins des principaux acteurs (demandeur d'emploi, entreprise) et à situer le rôle du système intelligent dans la chaîne de valeur. Cette étape permet de comprendre le contexte opérationnel et les enjeux concrets auxquels l'application devra répondre.

La seconde partie présente l'analyse du système informatique, notamment la définition des exigences fonctionnelles (extraction des données, calcul de la similarité, classement des CV, exportation des résultats) et des exigences non fonctionnelles (performance, sécurité des données, ergonomie, évolutivité). Ces spécifications constituent le référentiel de conception auquel le développement devra se conformer.

La troisième partie détaille la conception logique et technique: architecture logicielle de l'application, modélisation UML du système (diagrammes de cas d'utilisation, diagrammes de séquence, diagramme de classes) et définition du modèle logique de données. L'ensemble de ces éléments permet de structurer le système de façon cohérente, modulaire et évolutive.

Enfin, le chapitre se termine par la présentation du modèle de déploiement et par la planification des itérations de développement, qui permettront de valider progressivement les fonctionnalités principales et d'assurer la qualité globale du produit final.

En résumé, le chapitre 3 constitue la colonne vertébrale conceptuelle et technique du mémoire. Il établit un lien direct entre les besoins exprimés par les acteurs du processus de recrutement et les

Le recruteur procède alors à une lecture détaillée du contenu du CV. Cette lecture est suivie d'une analyse manuelle visant à apprécier l'adéquation du profil du candidat avec les exigences définies

21

solutions informatiques proposées, en s'appuyant sur les meilleures pratiques d'architecture logicielle et sur les avancées récentes du NLP appliqué à la gestion des ressources humaines.

3.2 Modélisation du processus métier

La modélisation de processus (en anglais, business process modeling ou BPM) consiste à structurer et à représenter les activités d'une organisation, généralement en utilisant une notation

graphique pour représenter visuellement l'enchaînement des activités. La modélisation peut s'appuyer sur des méthodes et outils spécialisés, et mettre en oeuvre des cadres de références de

processus. [6]

Description textuelle du processus manuel de traitement des candidatures (CV uniquement)

Le processus de traitement manuel des candidatures au sein d'une entreprise débute dès l'instant où un demandeur d'emploi manifeste son intérêt pour une offre d'emploi spécifique. Dans un premier temps, le candidat consulte l'annonce publiée, qui peut être diffusée en ligne ou par d'autres canaux de communication (panneaux d'affichage, presse écrite, réseaux professionnels). Il prend connaissance des conditions d'accès au poste et des compétences attendues.

Suite à cette consultation, le candidat prépare son curriculum vitae (CV), document essentiel permettant de présenter son parcours académique, ses expériences professionnelles, ainsi que ses principales compétences. Ce travail est réalisé de manière autonome par le demandeur d'emploi, sans assistance automatisée.

Une fois le CV finalisé, le candidat procède à la soumission de sa candidature auprès de l'entreprise. Cette transmission peut s'effectuer par voie électronique (email ou plateforme de dépôt en ligne) ou par remise physique (dépôt du dossier à l'accueil ou envoi postal). Dans certains cas, une confirmation de réception est adressée au candidat, mais cette pratique reste facultative et varie selon les entreprises.

La réception du CV par le service des ressources humaines marque le transfert de responsabilité et l'ouverture du traitement interne. La première étape consiste en une vérification attentive de la complétude du document. L'objectif est de s'assurer que toutes les informations nécessaires sont présentes et que le format est conforme aux attentes.

À l'issue de cette vérification, une première décision est prise:

Si le CV est jugé incomplet (par exemple, absence de coordonnées, imprécisions sur le parcours professionnel), le recruteur contacte directement le candidat afin d'obtenir les compléments requis. Cette démarche s'effectue par email ou téléphone et retarde l'analyse du dossier.

Si le CV est complet, il est intégré au lot des candidatures en cours de traitement.

22

pour le poste à pourvoir (niveau de qualification, années d'expérience, maîtrise des compétences techniques et comportementales).

Dans un second temps, le recruteur compare les candidatures entre elles, en utilisant généralement un tableau de suivi ou un dossier papier, afin de mettre en évidence les différences et d'établir une hiérarchisation des candidatures. Cette comparaison repose sur des critères qualitatifs, et elle s'accompagne de la rédaction de notes d'évaluation et d'appréciations propres à chaque dossier.

Enfin, une seconde décision intervient. En fonction des éléments analysés, le recruteur statue sur le statut final du CV :

Si le profil est jugé pertinent et conforme aux attentes, le CV est marqué comme présélectionné pour la suite du processus de recrutement (convocation à un entretien, tests complémentaires, etc.).

Si le profil est jugé non conforme ou moins adapté, le CV est archivé dans les bases documentaires de l'entreprise ou classé selon les procédures internes en vigueur.

Ce processus manuel, qui mobilise l'expertise et le jugement du recruteur à chaque étape, prend fin une fois que le statut de l'ensemble des candidatures reçues a été fixé.

3.3 Identification des acteurs 3.3.1 un acteur

Un acteur représente un rôle joué par une entité externe (utilisateur humain, dispositif matériel ou autre système) qui interagit directement avec le système étudié [7].

Un acteur peut consulter et/ou modifier directement l'état du système, en émettant et/ou en recevant des messages susceptibles d'être porteurs de données [7].

o Les acteurs jouent un rôle clé dans le fonctionnement du système en effectuant des actions ou en recevant des informations.

23

Tableau 2 Rôles des acteurs

N°	Acteur	Rôle dans le système manuel
1	Demandeur d'emploi	- Recherche des offres d'emploi (presse, affichage, site web) - Prépare son CV et sa lettre de motivation - Soumet sa candidature par email, en main propre ou par courrier
2	Entreprise	- Rédige et diffuse l'offre d'emploi - Réceptionne les candidatures - Trie manuellement les dossiers - Lit les CV un à un et note les candidats - Compare les profils et sélectionne les meilleurs
3	Responsable RH / Service Recrutement	- Participe à l'analyse des dossiers - Transmet les informations à la hiérarchie - Organise la suite du processus (entretiens, tests, etc.)

3.4 Diagramme de contexte métier

Le diagramme de contexte est le premier modèle à réaliser dans une démarche de modélisation systémique. En effet, quel que soit le niveau d'analyse choisi par le modélisateur, toute modélisation nécessite de représenter et de clarifier en premier lieu la frontière de l'entité modélisée ainsi que les objets qu'elle va échanger avec les autres entités qui se trouvent à l'extérieur de sa frontière et qui composent son environnement externe [8].

En réalisant le diagramme de contexte, le modélisateur va pouvoir définir clairement les frontières de l'objet modélisé et ses interfaces avec l'environnement externe et/ou interne. Le diagramme de contexte est une représentation de l'entité pour répondre à un problème particulier. En d'autres termes, il peut y avoir différents types de diagramme de contexte selon la finalité qui est visée par le modélisateur [8].

24



Figure 1 Diagramme de contexte métier

3.5 Diagramme de processus métier BPMN (Business Process Model and Notation)

Le Business Process Model and Notation (BPMN) ou norme de modélisation des processus métier en français, est une méthode de logigramme qui modélise de A à Z les étapes d'un processus métier planifié. Élément clé de la gestion d'un processus métier, il permet de représenter visuellement une séquence détaillée des activités commerciales et des flux d'informations nécessaires à la réalisation d'un processus [9].

Mais aussi il est constituéé d'un schéma qui peut se révéler bien plus facile à comprendre qu'un texte. Il permet de communiquer et de collaborer plus facilement pour atteindre un processus efficace, produisant un résultat de grande qualité. Il contribue également à la communication menant à la création des documents XML (Extensible Markup Language) nécessaires à l'exécution de divers processus.

Figure 2 Diagramme de processus métier BPMN

25



Demandeur d'emploi Entreprise

1 Accusé réception du _16, candidature

A

T

Non

F

ro ntacter le candidat

tVérfication de la

complétude du

CV

_ailikk Le CV est-il complet ?

Oui

Lecture du cv

Consulter I offre d'emploi

e

o-

n

Demandeur
d'emploi intéressé

Préparer le CV

Envoyer le cv pour postuler

Comparer plusieurs CV

i

Rédiger des notes et
appréciations

Le candidat est-il retenu ?

V

Oui J

I

Marquer comme
présélectionné

[tom] Candidature valider

Non

Archiver le CV

busines process use case model

26

3.6 Diagramme de cas d'utilisation métier

Les diagrammes de cas d'utilisation (DCU) sont des diagrammes UML utilisés pour une représentation du comportement fonctionnel d'un système logiciel. Ils sont utiles pour des présentations auprès de la direction ou des acteurs d'un projet, mais pour le développement, les cas d'utilisation sont plus appropriés. En effet, un cas d'utilisation (use cases) représente une unité discrète d'interaction entre un utilisateur (humain ou machine) et un système. Ainsi, dans un diagramme de cas d'utilisation, les utilisateurs sont appelés acteurs (actors), et ils apparaissent dans les cas d'utilisation [10].

Ils permettent de décrire l'interaction entre l'acteur et le système. L'idée forte est de dire que l'utilisateur d'un système logiciel a un objectif quand il utilise le système ! Le cas d'utilisation est une description des interactions qui vont permettre à l'acteur d'atteindre son objectif en utilisant le système. Les use case (cas d'utilisation) sont représentés par une ellipse sous-titrée par le nom du cas d'utilisation (éventuellement le nom est placé dans l'ellipse). Un acteur et un cas d'utilisation sont mis en relation par une association représentée par une ligne [10].



Figure 3 Diagramme de cas d'utilisation métier

27

3.7 MODELE DU DOMAIN

Le modèle du domaine est une représentation des concepts clés du système, de leurs caractéristiques et des liens qui les unissent. Il s'agit d'un diagramme de classes simplifié, destiné avant tout à faciliter la compréhension des entités fondamentales du domaine métier, indépendamment de toute considération technique ou de mise en oeuvre. Ce modèle décrit de manière claire et structurée les objets qui interviennent dans le fonctionnement du système, tels que les candidats, les offres d'emploi, les CV ou encore les entreprises, ainsi que les relations logiques qui les relient.

L'objectif principal du modèle du domaine est d'établir un vocabulaire commun et partagé entre les parties prenantes du projet (maîtrise d'ouvrage, développeurs, utilisateurs finaux), afin de s'assurer que la conception technique reflète fidèlement la réalité métier et réponde aux besoins exprimés.

Le diagramme de classes est quant à lui un outil essentiel qui permet de modéliser la structure statique du système. Il représente les objets ou entités du domaine, leurs attributs, leurs méthodes principales, ainsi que les relations de dépendance, d'association ou d'héritage qui les relient. Ce diagramme joue un rôle central dans la démarche de conception: il sert de point de référence pour la définition des structures de données, la conception de la base de données relationnelle, et la génération des squelettes de code objet.

Dans le cadre de ce projet, le diagramme de classes facilite la visualisation des entités principales du système (Entreprise, Offre d'emploi, Demandeur d'emploi, CV), de leurs propriétés (par exemple les coordonnées, les dates de publication ou les scores de pertinence) et des cardinalités des associations (une entreprise peut publier plusieurs offres, un demandeur peut déposer plusieurs candidatures, etc.).

28



Figure 4 Diagramme de classes système 3.7 Analyse du système informatique

Cette section présente l'analyse détaillée du système informatique envisagé. L'objectif est de spécifier les exigences auxquelles la solution doit répondre, afin d'assurer son adéquation aux besoins métier identifiés et de guider la conception technique. L'analyse porte à la fois sur les exigences fonctionnelles, qui décrivent les services attendus du système, et sur les exigences non fonctionnelles, qui fixent les contraintes de qualité, de performance et de sécurité.

Avec plaisir. Voici une version bien structurée et rédigée de la section :

Ø Exigences fonctionnelles du système existant (manuel)

29

Cette section présente les exigences fonctionnelles du système actuel, c'est-à-dire le processus manuel tel qu'il est observé avant toute informatisation ou automatisation. Il s'agit d'identifier les tâches que les acteurs réalisent aujourd'hui sans l'aide d'un système intelligent, afin de mieux comprendre les limites du fonctionnement actuel et de motiver la mise en place d'une solution numérique.

o Exigences fonctionnelles identifiées dans le système existant :

1. Publication manuelle des offres d'emploi

§ Les offres d'emploi sont rédigées et publiées via des canaux classiques : affichage physique, annonces dans la presse, groupes WhatsApp ou e-mail.

§ L'offre est souvent sous forme de document Word ou texte simple.

2. Réception des candidatures

§ Les candidats envoient leur CV par e-mail, sur support physique (clé USB, papier) ou les déposent en personne.

§ Aucun système centralisé ne gère la réception : chaque dossier est stocké manuellement.

3. Lecture et analyse des CV

§ Le responsable RH lit chaque CV un par un.

§ L'analyse repose sur l'expérience du recruteur : vérification manuelle des diplômes, expériences, compétences.

4. Tri manuel des dossiers

§ Les recruteurs trient les candidatures selon des critères internes (souvent non formalisés).

§ Les profils sont classés manuellement dans des dossiers : "retenus", "à revoir", "refusés".

5. Sélection

§ Une liste de candidats présélectionnés est rédigée sur papier ou dans un fichier Excel.

§ Le classement est subjectif, sans outil de mesure formel.

6. Absence de retour automatique

§ Les candidats ne reçoivent souvent pas de retour formel.

§ Le suivi des candidatures est rarement automatisé.

7. Archivage des CV

§ Les CV sont stockés dans des dossiers informatiques ou physiques sans étiquetage standardisé.

§ Il est difficile de retrouver un ancien CV ou de réutiliser une base de données de candidats.

30

Remarque :

Aucune de ces étapes n'est automatisée, ce qui engendre des pertes de temps, des oublis, et un manque d'objectivité dans la sélection.

Suggestion

Pour rendre le processus de recrutement plus simple, rapide et objectif, nous proposons une application web d'analyse intelligente des candidatures basée sur le traitement automatique du langage naturel (NLP). Cette solution aidera les entreprises à identifier plus efficacement les profils pertinents en comparant automatiquement les CV soumis aux exigences des offres d'emploi grâce à un modèle BERT de similarité sémantique.

Ce système permettra aux entreprises de simplifier leurs démarches de présélection sans avoir à traiter manuellement de grandes quantités de candidatures, ce qui réduit considérablement le temps d'analyse et le risque d'erreur humaine. De plus, l'application offrira aux demandeurs d'emploi la possibilité de postuler directement en ligne, de recevoir un accusé de réception et d'assurer une meilleure traçabilité de leur candidature.

L'authentification sécurisée par OTP garantira la confidentialité des informations sensibles et la protection des données personnelles des utilisateurs.

Accessible depuis tout appareil connecté (ordinateur, tablette, smartphone), l'application couvrira l'ensemble du processus de dépôt, d'analyse et de classement des CV, assurant une organisation plus rigoureuse et une expérience utilisateur moderne et fluide.

3.7.1 Spécification des exigences o Exigences fonctionnelles

Les exigences fonctionnelles définissent les principales fonctionnalités que le système doit offrir. Elles couvrent l'ensemble du cycle de traitement des candidatures, depuis la publication des offres jusqu'à l'analyse automatique des CV et la restitution des résultats aux utilisateurs.

Exigences fonctionnelles identifiées : Gestion des utilisateurs

Le système doit permettre aux entreprises de créer un compte, de s'authentifier de manière sécurisée et de gérer leur profil.

L'authentification devra inclure un mécanisme d'authentification forte via OTP (One-Time Password) envoyé par email pour renforcer la sécurité lors de la connexion. Les demandeurs d'emploi doivent pouvoir créer un compte, se connecter avec OTP, et mettre à jour leurs informations personnelles.

v Publication des offres d'emploi

Les entreprises doivent pouvoir créer, modifier et supprimer des offres d'emploi via une interface conviviale.

Chaque offre doit comporter au minimum les informations suivantes: Titre du poste

Description détaillée

31

Compétences requises Niveau d'études souhaité Type de contrat

Lieu

Date limite de candidature Ect

Consultation des offres

Les demandeurs d'emploi doivent pouvoir consulter la liste des offres disponibles. Ils doivent pouvoir accéder aux détails complets de chaque offre avant de postuler.

v Dépôt de candidatures

Les demandeurs d'emploi doivent pouvoir déposer leur CV au format PDF en réponse à une offre sélectionnée.

Le système doit confirmer automatiquement la réception de chaque candidature.

v Extraction et analyse automatique des CV

Le système doit extraire le contenu textuel des CV déposés.

Il doit générer un vecteur d'embedding à l'aide du modèle BERT pré-entraîné. Il doit comparer le contenu du CV avec l'offre d'emploi et calculer un score de similarité.

v Classement et restitution des résultats

Le système doit afficher la liste des candidatures reçues pour chaque offre, triée par ordre décroissant de pertinence.

Il doit permettre d'exporter les résultats au format Excel et PDF.

v Tableau de bord administratif

Le système doit fournir un tableau de bord de suivi avec les indicateurs suivants :

Nombre d'offres publiées

Nombre de candidatures reçues

Taux moyen de pertinence des candidatures Statistiques des dépôts par période

o Exigences non fonctionnelles

Les exigences non fonctionnelles précisent les contraintes techniques, ergonomiques et organisationnelles auxquelles le système doit se conformer.

32

Exigences non fonctionnelles identifiées :

v Sécurité

Les données personnelles des utilisateurs doivent être protégées conformément aux réglementations en vigueur.

L'authentification doit être sécurisée avec un mot de passe chiffré et une vérification par OTP lors de la connexion.

L'accès aux fonctionnalités sensibles doit être contrôlé selon le rôle (entreprise, candidat, administrateur).

v Performance

Le système doit être capable d'analyser un CV et de générer un score en moins de seconde après le la soumission de cv.

La navigation doit rester fluide même en cas de forte affluence.

v Compatibilité

L'application doit être compatible avec les principaux navigateurs (Chrome, Firefox, Edge).

L'interface doit être responsive, adaptée aux écrans mobiles et tablettes.

v Ergonomie

L'interface doit être claire et intuitive, avec une navigation facilitée par des menus explicites et des indications visuelles.

Les messages d'erreur doivent être précis et guider l'utilisateur pour corriger les actions.

v Maintenance

Le système doit être conçu de façon modulaire afin de faciliter son évolution. 3.8. Analyse des besoins de conception

3.8.1 Présentation du système d'analyse de cv basé sur NLP



33

Figure 5 Présentation du système

3.8.2 Identification des acteurs du système d'analyse de cv basé sur le NLP

Un acteur représente un rôle joué par une entité externe (utilisateur humain, dispositif matériel ou autre système) qui interagit directement avec le système étudié. Un acteur peut consulter et/ou modifier directement l'état du système, en émettant et/ou en recevant des messages susceptibles d'être porteurs de données [11].

Pour le cas de notre nouveau système, nous recenser les acteurs ci-après :

Tableau 3 Identification des acteurs du système d'Analyse de cv basé sur le NLP

N° ACTEURS DESCRIPTION
1	Demandeur	Toute personne à la recherche d'un emploi qui peut créer un compte, consulter
	d'emploi	les offres, déposer son CV au format PDF et suivre le statut de sa candidature.
2	Entreprise	Organisation ou recruteur autorisé à publier des offres d'emploi, consulter les candidatures reçues et visualiser les scores de correspondance générés par le système.



3.8.3. Identification des cas d'utilisation

Dans le cadre de la conception du système proposé, nous avons défini un ensemble de cas d'utilisation reflétant les principales fonctionnalités attendues. Ces cas décrivent les interactions entre les différents utilisateurs du système (demandeurs d'emploi, entreprises, administrateur) et visent à automatiser efficacement la gestion des candidatures ainsi que l'analyse intelligente des CV via le NLP.

34

Les différents cas d'utilisation recensés pour notre système sont les suivants :

1. Créer un compte Permettre aux utilisate

urs (entreprises, demandeurs d'emploi) de s'inscrire sur la plateforme.

2. S'authentifier

Connexion sécurisée avec mot de passe et OTP.

3. Gérer le profil utilisateur

Modifier les informations personnelles et les paramètres de compte.

4. Publier une offre d'emploi

Créer une nouvelle offre avec tous les détails requis.

5. Gérer les offres d'emploi

Modifier ou supprimer des offres existantes.

6. Téléverser un CV

Envoyer un CV PDF en réponse à une offre.

7. Recevoir la confirmation de candidature Accuser réception automatiquement au candidat.

8. Analyser le CV

Extraction du texte, génération de l'embedding NLP et calcul de la similarité.

9. Afficher les candidatures

Voir la liste triée des CV par pertinence.

10. Exporter les résultats

Télécharger les classements au format Excel et PDF.

3.8.3 Diagramme de cas d'utilisation

Les diagrammes de cas d'utilisation servent à identifier et à répertorier les principales fonctionnalités d'un système. Ils permettent de visualiser de manière synthétique comment les acteurs (utilisateurs ou autres systèmes) interagissent avec le système, quelles actions ils réalisent, et quelles sont les fonctionnalités offertes par le système en réponse à ces actions. En résumé, les diagrammes de cas d'utilisation sont un outil puissant pour comprendre et documenter les exigences du projet de

35

manière compréhensible pour toutes les parties prenantes. Il représente une fonctionnalité du système visible de l'extérieur du système.



Figure 6 Diagramme de cas d'utilisation 3.8.5 Planification des itérations

Le tableau de Planification des itérations permet de répartition des cas d'utilisation par cycle, selon leur priorité et risque, afin d'assurer un développement progressif.

36

Tableau 4 Planification des itérations

N° Cas d'utilisation Acteur Priorité Risque Itération

1	Créer compte utilisateur	Demandeur/ Entreprise	Haute	Moyen	1
2	S'authentifier (avec OTP)	Tous	Haute	Moyen	1
3	Réinitialiser mot de passe	Tous	Moyenne	Moyen	2
4	Gérer profil utilisateur	Tous	Moyenne	Faible	2
5	Publier offre	Entreprise	Haute	Moyen	3
6	Gérer offre d'emploi	Entreprise	Moyenne	Moyen	3
7	Consulter les offres	Demandeur d'emploi	Moyenne	Faible	3
8	Téléverser CV	Demandeur d'emploi	Haute	Moyen	4
9	Supprimer ou modifier CV	Demandeur d'emploi	Moyenne	Faible	4
10	Analyser CV	Entreprise	Haute	Élevé	5
11	Afficher résultat de l'analyse	Entreprise	Haute	Moyen	5
12	Afficher candidatures	Entreprise	Haute	Moyen	5

Dans le cadre de la modélisation du système proposé, le plan d'itérations permet de structurer le développement progressif des différentes fonctionnalités en regroupant les cas d'utilisation par étapes logiques et prioritaires. Chaque itération correspond à une unité de temps de développement (souvent une à deux semaines), au cours de laquelle plusieurs cas d'utilisation sont implémentés de manière cohérente. Les numéros d'itérations peuvent ainsi se répéter dans le tableau car plusieurs fonctionnalités connexes ou complémentaires sont développées simultanément au sein d'une même phase.

Par exemple, les fonctionnalités liées à l'authentification des utilisateurs, comme la création de compte et l'envoi d'un code OTP, sont toutes prévues dès l'itération 1 afin de garantir l'accès sécurisé au système. L'itération 2 regroupe les opérations de gestion du profil utilisateur, tandis que l'itération 3 introduit les premières interactions avec les offres d'emploi, notamment la publication et la consultation. Les itérations suivantes étendent progressivement les capacités du système, notamment l'analyse intelligente des CVs via un moteur NLP, la visualisation des scores de correspondance et l'export des résultats. Cette organisation permet d'avoir un développement incrémental, où chaque itération aboutit à une version partiellement fonctionnelle et testable de l'application.

37

3.9 Diagramme de séquence

Est un diagramme UML qui représente la séquence de messages entre les objets au cours d'une interaction. Il permet de modéliser les interactions possibles entre les objets et les acteurs du système en fonction du temps. Il montre comment les objets collaborent entre eux pour atteindre l'objectif d'un cas d'utilisation ou d'un processus. Un diagramme de séquence comprend des lignes de vie, qui représenter les objets, est des messages, qui représentent les échanges entre les objets.

3.9.1 Description textuelle des cas d'utilisation et leurs diagrammes

1. Titre : Créer un compte utilisateur

Résumé : Permet à un demandeur d'emploi ou une entreprise de s'inscrire sur la plateforme.

Acteurs : Demandeur d'emploi, Entreprise

Précondition : L'utilisateur ne possède pas encore de compte.

Scénario nominal :

1.1. L'utilisateur accède à la page d'inscription.

1.2. Il remplit les champs requis.

1.3. Le système vérifie les données, envoie un code OTP.

1.4. L'utilisateur valide le code, et le compte est créé.

Postcondition : Le compte est activé.

38



Figure 7 Diagramme de séquence CU1 créer compte

2. Titre : S'authentifier

Résumé : Permet aux utilisateurs inscrits de se connecter.

Acteurs : Demandeur d'emploi, Entreprise

Précondition : Compte déjà créé.

Scénario nominal :

2.1. L'utilisateur saisit ses identifiants.

2.2. Le système vérifie les identifiants.

2.3. Si valides, l'accès est accordé.

Postcondition : Session ouverte.

39



Figure 8 Diagramme de séquence CU2 S'authentifier 3. Titre : Réinitialiser le mot de passe

Résumé : Permet à un utilisateur de récupérer son accès. Acteurs : Tous

Précondition : L'utilisateur a perdu ses identifiants. Scénario nominal :

3.1. L'utilisateur clique sur « Mot de passe oublié ». 3.2. Un lien ou OTP est envoyé.

3.3. L'utilisateur crée un nouveau mot de passe. Postcondition : Mot de passe mis à jour.

Figure 9 Diagramme de séquence CU 3 Réinitialisation de mot de passe

40



41

4. Titre : Gérer profil utilisateur

Résumé : Mettre à jour ses informations personnelles.

Acteurs : Tous

Précondition : Être connecté.

Scénario nominal :

4.1. L'utilisateur accède à « Mon profil ».

4.2. Il modifie ses informations.

4.3. Le système enregistre les modifications.

Postcondition : Profil mis à jour.



Figure 10 Diagramme de séquence CU 4 Gérer profil

42

5. Titre : Publier une offre

Résumé : Une entreprise peut créer une nouvelle offre d'emploi.

Acteurs : Entreprise

Précondition : Être connecté.

Scénario nominal :

5.1. L'entreprise clique sur « Nouvelle offre ».

5.2. Elle saisit les détails de l'offre.

5.3. Le système enregistre et affiche l'offre.

Postcondition : Offre disponible pour consultation.



Figure 11 Diagramme de séquence CU 5 Publier offre

6. Titre : Gérer offres d'emploi

Résumé : Modifier ou supprimer une offre publiée.

Acteurs : Entreprise

Précondition : Offre déjà existante.

Scénario nominal :

43

6.1. L'entreprise sélectionne une offre. 6.2. Elle peut la modifier ou la supprimer. 6.3. Le système met à jour ou retire l'offre. Postcondition : Offre publiée.



Figure 12 Diagramme de séquence CU 6 Gérer l'offre

7. Titre : Consulter les offres d'emploi

Résumé : Toute personne (connectée ou non) peut voir les offres sur la page d'accueil.

Acteurs : Demandeur d'emploi

Précondition : Offres publiées

Scénario nominal :

7.1. L'utilisateur accède à la liste des offres.

7.2. Le système affiche les offres.

7.3. Il peut filtrer ou rechercher.

Postcondition : Offres visibles publiquement.

44



Figure 13 Diagramme de séquence CU 7 Consulter les offres

8. Titre : Téléverser un CV

Résumé : Permet au demandeur de postuler via un CV en PDF.

Acteurs : Demandeur d'emploi

Précondition : Être connecté.

Scénario nominal :

8.1. L'utilisateur sélectionne une offre.

8.2. Il choisit un fichier PDF.

8.3. Le système vérifie, enregistre, puis déclenche l'analyse.

Postcondition : CV analysable.

45



Figure 14 Diagramme de séquence CU 8 Téléverser un cv

9. Titre : Supprimer ou modifier un CV

Résumé : Modifier ou retirer un CV déjà téléversé.

Acteurs : Demandeur d'emploi

Précondition : Être connecté et CV existant.

Scénario nominal :

9.1. Le candidat accède à ses CVs.

9.2. Il en supprime ou modifie un.

Postcondition : Modification prise en compte.

46



Figure 15 Diagramme de séquence CU 9 supprimer ou modifier un cv

10. Titre : Analyser un CV

Résumé : Le système traite le CV avec le NLP.

Acteurs : Système (automatique)

Précondition : CV téléchargé.

Scénario nominal :

10.1. Le système extrait le texte.

10.2. Il génère les vecteurs BERT.

10.3. Il calcule la similarité.

Postcondition : Score disponible.

47



Figure 16 Diagramme de séquence CU 10 Analyser un cv 11. Titre : Afficher résultat de l'analyse

Résumé : Affiche tous les CVs reçus pour une offre. Acteurs : Entreprise

Précondition : Des candidats ont postulé.

Scénario nominal :

11.1. L'entreprise accède à la liste des candidatures. 11.2. Elle consulte les informations et scores. Postcondition : Liste disponible.

48



Figure 18 Diagramme de séquence CU 11 AfficherResultat 13. Titre : Afficher candidatures

Résumé : Affiche tous les CVs reçus pour une offre. Acteurs : Entreprise

Précondition : Des candidats ont postulé.

Scénario nominal :

13.1. L'entreprise accède à la liste des candidatures. 13.2. Elle consulte les informations et scores. Postcondition : Liste disponible.

49



Figure 19 Diagramme de séquence CU 12 afficher candidatures 3.10. Diagramme de classe de conception

Le diagramme de classes de conception constitue un outil fondamental de modélisation, permettant de représenter la structure statique d'un système d'information. Il offre une vision structurée des entités qui composent l'application, en précisant leurs attributs, leurs méthodes ainsi que les relations qui les relient.

Dans le cadre de ce projet, ce diagramme formalise les entités centrales, notamment les comptes utilisateurs, les CV, les offres d'emploi, ainsi que les résultats d'analyse générés par le moteur NLP. Il joue également un rôle clé dans la conception de la base de données PostgreSQL et l'implémentation des modèles dans Django.

Éléments clés dans un diagramme de classes

1. Classe

Une classe est représentée par un rectangle divisé en trois compartiments :

· Le nom de la classe (ex. : CV, Offre, Utilisateur, Analyse)

· Les attributs (ex. : email, mots_clés, score)

· Les méthodes ou opérations (ex. : générer_otp(), analyser_cv())

50

2. Attributs

Ils représentent les données propres à chaque entité.

Exemple : La classe CV possède des attributs tels que fichier_pdf, compétences, années_d'expérience.

3. Opérations ou Méthodes

Ce sont les comportements internes à chaque classe.

Exemple : La classe Utilisateur peut avoir des méthodes telles que authentifier(), vérifier_otp(), ou réinitialiser_mot_de_passe().

4. Visibilité

Elle détermine l'accessibilité des éléments :

· public : accessible depuis toute autre classe

· privé : accessible uniquement à l'intérieur de la classe

· protégé : accessible aux classes héritées Types de relations entre les classes

a.Association

Lien logique entre deux entités. Exemple : Une Entreprise publie plusieurs Offres. Un Demandeur d'emploi peut téléverser plusieurs CV.

b. Héritage (généralisation)

Une classe spécialisée hérite d'une classe plus générale.

Exemple : La classe Utilisateur est générique et donne naissance aux classes Entreprise et Demandeur d'emploi.

c. Composition

Relation forte : la suppression de la classe principale entraîne celle de la dépendante.

Exemple : Une Analyse dépend d'un CV. Si ce dernier est supprimé, l'analyse devient obsolète.

d. Agrégation

Relation souple : l'entité liée peut exister indépendamment.

Exemple : Une Offre est associée à une Entreprise, mais l'Entreprise peut exister sans offre.

e. Dépendance

Lien temporaire utilisé pour l'exécution d'une tâche ponctuelle.

Exemple : ExportService utilise les données des CV et des scores pour générer un fichier (PDF, Excel), sans lien permanent avec ces classes.

Ce diagramme de classes constitue une représentation synthétique de l'architecture du système, facilitant le passage vers l'implémentation technique avec Django. Il assure une compréhension claire des rôles et responsabilités de chaque entité, tout en garantissant une maintenabilité et une extensibilité optimales du projet.

51

DC Système

OffreEmploi

- titre : string

description : texte

exigences : texte

responsabilités : texte - salaire : decimal

devise_salaire : string salaire_visible : booléen

- localisation : string

télétravail_possible : booléen

- type_contrat : string
niveau expérience : string

_

active booléen

- date_limite : date

- date_création : datetime date modification : datetime compétences_ requises : JSONField avantages : texte

+ Creer offre()

+ supprirner_offre()

+ modifier_offre()

+ afficher_details_offre()

+ Hltreroffre()

CV

fichier_cv: FileField

données_extraites: JSONField compétences : JSONField formations: JSONField a nnées_expérience : float poste_recherche : string poste_occupe : string description_expérience : texte texte_extrait : texte méthade_exhachon : string erreur traitement:texte statut :CharField

notes : texte

date_création : datetime date traitement: datetime

= estimer_annees_experience[.: + modifier_cv0

+ supprimer cv()

+ extraire données[:

ProfilEntreprise

PrafilChercheurErnploie

nam_entreprise : string logo : image descriptian_entreprise : string site_web : string +

photo_profil : image compétences : string expérience : string

+ ajouter_phota_proFil() + supprimer_photo_prehl() + ajouter_compétences(} + supprimer_compétence()

+

modifier() + ajouter() + supprimer() + changer logo()

+

+

+

+

Utilisateur

email : String numero_telephone : String type_utilisateur: String prenorn : String nom : String ville : String code_otp : String es# vedfie : Boolean tentatives connexion : Integer token_reinitialisation : String est_actif : Boolean est_membre_personnel : Boolean date inscription : Date derniere_connexion : Date derniere_activite : Date

+ générer_otp() + générer_token réinitialisation() + activer compte() + désactiver_compte() + marquer_camme vérifié() + norn_cornplet() : String

1 Reçoit

O..'

Notification

titre : String message : String lue : Boolean uri : LIRL date creation : Date

+ marquer_lue(j : void + marquer_non_lue(): void ^-F envoyer par email()

Genére

O..

ResultatAnalyseCV

score : String

date_analyse Date

+ enregistrer envoil)

+ get_categorie_score()

Trace
t]'

JoumalEnvoiEmail

- destinataire : String - statut : String

- message_erreur : String - date envoi : Date

+ enregistrer envoi()

Figure 20 Diagramme système

52

3.11. DIAGRAMME DE CLASSES PARTICIPANTES

Le diagramme de participants, également appelé diagramme de communication ou diagramme de collaboration, est un diagramme d'interaction en UML. Il illustre les objets impliqués dans une interaction ainsi que les messages échangés entre eux afin de réaliser un scénario spécifique, généralement dérivé d'un cas d'utilisation. Contrairement au diagramme de séquence qui met l'accent sur la chronologie des événements, le diagramme de participants privilégie la structure statique des échanges en représentant les rôles des objets et les relations de communication entre eux.

Ce type de diagramme permet de modéliser les collaborations entre les différentes classes d'analyse, notamment les classes de type boundary (interface utilisateur), control (logique métier ou coordination) et entity (gestion des données). Il fournit ainsi une vue claire et synthétique de l'architecture logique du système dans le cadre d'un traitement donné.



Figure 21 Diagramme de classe participante CU 1 inscription



Figure 1 22 Diagramme de classe participante CU 2 Authentification



53

Figure 23 Diagramme de classe participante CU 3 Réinitialisation

Figure 24 Diagramme de classe participante CU 4 Gérer profil



54

Figure 25 Diagramme de classe participante CU 5 publier offre



55

Figure 26 Diagramme de classe participante CU 6 Gérer offre

56



Figure 27 Diagramme de classe participante CU 7 Consulter l'offre



Figure 28 Diagramme de classe participante CU 8 Téléverser cv



57

Figure 29 Diagramme de classe participante CU 9 Supprimer modifier cv



58

Figure 30 Diagramme de classe participante CU 10 Analyser cv



59

Figure 31 Diagramme de classe participante CU 11 Afficher résultat

Figure 32 Diagramme de classe participante CU 12 Afficher candidature

60

3.12. CONCEPTION DU MODÈLE LOGIQUE DE DONNÉES

Le Modèle Logique de Données (MLD) constitue une étape clé de la conception d'un système d'information. Il permet de structurer les données à manipuler en respectant les exigences fonctionnelles exprimées lors de la phase d'analyse. Le MLD traduit les concepts métiers identifiés dans le Modèle Conceptuel de Données (MCD) en éléments techniques compatibles avec un système de gestion de base de données relationnelle (SGBDR), ici PostgreSQL.

Ce modèle sert de fondement à la génération ultérieure du Modèle Physique de Données (MPD), qui correspond à la structure finale implémentée dans la base.

Caractéristiques principales :

· Les entités métiers (par exemple : Utilisateur, CV, Offre, Analyse) sont transformées en tables relationnelles.

· Les attributs de ces entités deviennent les colonnes des tables, avec un typage explicite adapté (exemples : VARCHAR pour les chaînes de caractères, INTEGER pour les entiers, BOOLEAN pour les booléens, TIMESTAMP pour les dates).

· Les identifiants des entités deviennent des clés primaires (PK), souvent nommées id ou identifiant, avec auto-incrément ou UUID selon la stratégie choisie.

· Les associations entre entités sont modélisées soit :

§ Par des clés étrangères (FK), lorsqu'il s'agit de relations de type 1,N ou N,1 (ex : un CV appartient à un seul utilisateur),

§ Ou par des tables d'association supplémentaires, lorsqu'il s'agit de relations N,N (ex : un CV peut correspondre à plusieurs offres, et une offre peut recevoir plusieurs CVs).

· Les contraintes d'intégrité (unicité, non-null, relations référentielles) sont définies afin de garantir la cohérence et la validité des données.

Exemple d'application :

Pour ton système, les entités clés suivantes deviennent des tables principales du MLD :

· Utilisateur (CustomUser) ? Table utilisateur

· ProfilEntreprise ? Table entreprise

· ChercheurEmploi ? Table chercheur_emploi


· Offre ? Table offre


· CV ? Table cv

· Analyse NLP ? Table analyse_cv (si séparée)

· Notifications ? Table notification ou email_log

61

Chaque table contient une clé primaire (ex : id), des colonnes typées (ex : phone_number : VARCHAR(13), is_verified : BOOLEAN), et des clés étrangères (ex : user_id, entreprise_id).

Les relations complexes comme le lien CV et Offre sont représentées par une table d'association (ex : cv_offre) avec deux clés étrangères pointant respectivement vers la table cv et la table offre.

Ce modèle permet d'assurer la persistance des données, la normalisation, l'intégrité et l'extensibilité du système, tout en facilitant l'implémentation avec un ORM comme Django Models.

3.13. DIAGRAMME DE DÉPLOIEMENT

Le diagramme de déploiement (Deployment Diagram) est un diagramme structurel UML qui permet de représenter la topologie physique du système. Il décrit comment les composants logiciels (code source, bibliothèques, services, modèles NLP, etc.) sont distribués et déployés sur les noeuds matériels et logiciels du système (serveurs, navigateurs, bases de données, etc.).

Ce diagramme est indispensable pour visualiser l'environnement d'exécution réel de l'application, notamment dans une architecture client-serveur ou distribuée. Il assure la compréhension globale de la structure d'hébergement, de l'accessibilité des services, et des dépendances entre les différentes couches.

Dans le cas de notre système intelligent d'analyse de CV basé sur le NLP, le diagramme de déploiement permet de représenter l'architecture logicielle articulée autour des technologies suivantes :

· Framework backend Django (Python)

· API REST pour la communication avec le frontend

· Interface utilisateur en React.js + Tailwind CSS

· Moteur NLP BERT embarqué pour l'analyse sémantique

· SGBD PostgreSQL pour le stockage des données

· Serveur d'applications (Gunicorn / uWSGI)

· Serveur web (Nginx ou Apache)

· Conteneurs (optionnellement Docker)

· Navigateur client (pour l'utilisateur final)

Les principaux éléments à représenter dans ce diagramme sont :

1. Les Noeuds (Nodes) :

Ce sont les dispositifs physiques ou virtuels sur lesquels les composants sont exécutés. Dans notre système, on distingue notamment :

· Le client utilisateur (navigateur web sur poste ou mobile)

· Le serveur applicatif (hébergeant l'API Django + NLP)

· Le serveur de base de données (PostgreSQL)

62

· Un moteur de traitement (pour BERT + PDF parser)

· Une infrastructure d'hébergement (local, Cloud, ou via conteneurs Docker/Kubernetes)

2. Les Artéfacts (Artifacts) :

Ce sont les artefacts logiciels déployés sur les noeuds. Exemples :

· Backend : code source Django (.py), modèles BERT, scripts d'analyse (.py), fichiers de configuration ( settings.py, .env)

· Frontend : fichiers React buildés (index.html, JS/CSS)

· Base de données : schéma relationnel PostgreSQL (tables, contraintes)

3. Les Associations :

Ce sont les canaux de communication entre les noeuds, illustrant les flux de données ou les appels réseau. Exemple :

· HTTPS entre le navigateur client et le serveur web

· REST API (HTTP/JSON) entre React et Django

· Connexion TCP/IP entre Django et PostgreSQL

· Communication interne entre Django et le moteur NLP Le déploiement de notre système se présente de la manière suivante :



63

Figure 33 Diagramme de déploiement

64

Conclusion partielle

Dans ce chapitre, notre démarche a débuté par une analyse détaillée du processus métier de gestion des candidatures et de l'analyse automatisée de CV. Nous avons ensuite présenté et modélisé le système intelligent que nous proposons, centré sur l'automatisation de l'extraction d'informations pertinentes à partir des CV et leur traitement sémantique à l'aide de techniques NLP.

L'étude a permis d'identifier les exigences fonctionnelles et non fonctionnelles du système, de décrire les flux de données, les acteurs impliqués, ainsi que les points forts et les limitations des approches classiques, justifiant ainsi notre solution. Les méthodes de collecte, de traitement des CV (parser PDF, analyse avec BERT), et de restitution des résultats ont été décrites.

Nous avons également modélisé les différents aspects du système à l'aide de diagrammes UML clés : diagrammes de cas d'utilisation, de séquence, de classes, du modèle logique de données, et enfin le diagramme de déploiement. Ce dernier illustre l'architecture physique du système, avec une répartition claire des composants logiciels sur des noeuds distincts : client (navigateur), serveur web, serveur applicatif, base de données et broker de messages.

Enfin, la conception globale du système repose sur une architecture client-serveur hybride intégrant :

· le modèle MVVM côté frontend (React) pour une meilleure séparation entre l'interface utilisateur et la logique de présentation ;

· le modèle MVT côté backend (Django), structurant le traitement des requêtes, la logique métier, et le rendu des données.

Cette structuration garantit un système modulaire, scalable et maintenable, capable de traiter efficacement les CV à grande échelle avec un bon découplage des responsabilités.

65

CHAPITRE 4 IMPLEMENTATION DE LA SOLUTION PROPOSEE

4.1. Introduction

Dans ce chapitre, nous présentons les différents outils et techniques utilisés tel que le NLP pour implémenter notre système intelligent d'analyse de CV. Après une justification approfondie des choix technologiques (langages, frameworks, SGBD), nous détaillons l'architecture d'implémentation adoptée, qui repose sur une approche client-serveur hybride articulée autour des modèles MVT (Model-View-Template) pour le backend (Django) et MVVM (Model-View-ViewModel) pour le frontend (React). Nous exposons ensuite les différents modules développés et les tests réalisés pour évaluer le bon fonctionnement de la solution et quelques rappelles important pour sur les notions de machines learning, deep learning et nlp .

4.1. Technologies

1. Choix des langages de programmation

· JavaScript (React) : utilisé côté client pour concevoir une interface dynamique en architecture MVVM. Le modèle (données), la vue (UI) et la logique de liaison (état via hooks ou Redux) sont clairement séparés.

· Python (Django) : choisi pour son efficacité dans le développement web côté serveur et son intégration native avec des bibliothèques NLP (BERT, Spacy). Django suit le modèle MVT, facilitant la structuration du backend.



· Tailwindcss: utilisés pour structurer et styliser l'interface dans les composants React.

2. Frameworks

· React.js : framework JavaScript moderne, basé sur le modèle MVVM, permettant une gestion efficace des vues et de l'état via composants, props et hooks.

· Django : framework Python robuste, structuré selon le modèle MVT, utilisé pour la logique métier, les API REST, la sécurité et l'interface avec la base de données via ORM.

· Tailwind CSS : bibliothèque CSS utilitaire, utilisée pour styliser l'interface sans compromettre la séparation des vues et de la logique.

· PyTorch / Transformers (Hugging Face) : frameworks utilisés pour charger et exploiter le modèle BERT dans l'analyse sémantique des CV.

· PyMuPDF / pdfminer : bibliothèques Python utilisées pour parser et extraire le contenu textuel des CV en PDF.

66

3. Base de données

Le système utilise PostgreSQL comme SGBD relationnel robuste, performant et bien adapté à l'architecture Django. Le modèle de données est défini à travers des modèles Django (ORM), avec une structure logique respectant l'intégrité des relations (utilisateurs, offres, CV analysés...).

4. Environnement de développement

· Visual Studio Code (VS Code) : utilisé comme éditeur principal, avec intégration d'extensions pour Python, React, Tailwind, etc.

5. Approche d'implémentation

Nous avons adopté une approche modulaire avec séparation claire des responsabilités entre frontend, backend, NLP et base de données.

Côté client :

· Le frontend React est structuré selon MVVM, avec :

o Model : état local / global (via Redux)

o View : composants d'interface (formulaires CV, tableau de bord, résultats)

o ViewModel : gestion logique (soumissions, appels API) Côté serveur :

· Django suit l'approche MVT, où :

o Model : définit la base de données via ORM

o View : fonctions ou classes retournant JSON

o Template : utilisé uniquement pour endpoints HTML (admin), sinon nous avons utilisé un API REST + React

Modules clés développés

· Module Authentification (utilisateurs, entreprises, chercheurs d'emploi)

· Module de dépôt et parsing de CV (upload, extraction PDF)

· Module d'analyse sémantique avec BERT

· Dashboard interactif pour les recruteurs (via React + Chart.js)

· Système de notification (emails)

· Module de gestion des rôles (permissions Django)

Ces Technologies ont était choisi car c'est adapter pour développer les applications qui utilises le modèle de machine Learning .

67

6. Étude et mise en oeuvre d'un serveur Celery

Dans le domaine du développement d'applications web et distribuées, il est fréquent de rencontrer des traitements lourds ou longs à exécuter, tels que l'envoi massif d'e-mails, la génération de rapports volumineux ou le traitement d'images. L'exécution synchrone de ces tâches dans le processus principal d'une application entraîne souvent une dégradation significative des performances et de l'expérience utilisateur. Pour répondre à ce problème, la communauté Python a développé Celery, un système de gestion de tâches asynchrones permettant d'exécuter ces traitements en arrière-plan grâce à un mécanisme de file d'attente et à des workers indépendants.

· Définition de Celery

Celery est un framework Python open-source dédié à la gestion de tâches distribuées et à leur exécution asynchrone. Il s'appuie sur un système de messagerie intermédiaire appelé broker qui joue le rôle de file d'attente.

Dans ce modèle, l'application principale délègue l'exécution des tâches à un ou plusieurs workers Celery qui les traitent de manière indépendante, permettant ainsi à l'application de rester réactive.

· Architecture générale

L'architecture de Celery repose sur quatre composants principaux :

1. Le Producteur (Application principale)

o Rôle : Définir et envoyer les tâches à exécuter.

Pour ce projet le serveur celery se charge de faire l'ORC du cv et offre provenant du pdf mais aussi il affiche le résultat provenant du modèle pour ce qui est de cosine similaty et par-dessus tous, ils gère les envoient de mail en arrière-plan.

2. Le Broker (Serveur de messagerie)

o Rôle : Transmettre les tâches via une file d'attente.

o Outils fréquents : Redis, RabbitMQ.

3. Les Workers Celery

o Rôle : Récupérer et exécuter les tâches en arrière-plan.

o Fonctionnement : Chaque worker écoute une file d'attente et traite les tâches dès qu'elles sont disponibles.

4. Le Backend de résultats (optionnel)

o Rôle : Stocker le résultat des tâches pour une consultation ultérieure.

o Support : Redis, base de données relationnelle, etc.

68

5. Avantages de cette approche

· Réduction du temps de réponse : L'utilisateur n'attend pas que le traitement soit fini.

· Scalabilité : Plusieurs workers peuvent traiter les tâches en parallèle.

· Résilience : Les tâches peuvent être relancées en cas d'échec. 4.2 Rappels théoriques essentiels

4.2.1. Introduction au Machine Learning

L'apprentissage automatique est un sous-ensemble de l'intelligence artificielle dans le domaine de l'informatique qui utilise souvent des techniques statistiques pour donner aux ordinateurs la capacité d'apprendre (c'est-à-dire améliorer progressivement les performances sur une tâche spécifique) avec des données, sans être explicitement programmées. L'apprentissage automatique est la conception et l'étude d'artefacts logiciels qui utilisent l'expérience passée pour prendre des décisions futures. C'est l'étude de programmes qui apprennent à partir de données. L'objectif fondamental de l'apprentissage automatique est de généraliser, ou pour induire une règle inconnue à partir d'exemples d'application de la règle. Les systèmes d'apprentissage automatique sont souvent décrits comme apprenant par l'expérience, avec ou sans surveillance par l'homme [12].

Voici les trois styles d'apprentissage de base différents dans les algorithmes d'apprentissage automatique :

1.2.2 Apprentissage supervisé

Un modèle est préparé par le biais d'un processus d'entraînement dans lequel il doit faire des prédictions et est corrigé lorsque ces prédictions sont fausses. Le processus de formation continue jusqu'à ce que le modèle atteigne le niveau de précision souhaité sur les données d'entraînement. Un programme prédit une sortie pour une entrée en apprenant à partir de paires d'entrées étiquetées et les résultats, le programme apprend à partir d'exemples de bonnes réponses [12].

1. Les données d'entrée sont appelées données d'entraînement et ont une étiquette ou un résultat connu, tel que spam/non-spam ou un cours d'action à la fois.

2. Des exemples de problèmes sont la classification et la régression. 3.Algorithmes supervisés couramment utilisés

L'apprentissage supervisé repose sur l'utilisation d'algorithmes qui apprennent à partir d'exemples étiquetés, c'est-à-dire des données dont les résultats attendus sont connus. Voici une description détaillée des principaux algorithmes supervisés utilisés dans le domaine médical :

v Régression logistique : Cet algorithme est utilisé pour des tâches de classification binaire. Il modélise la probabilité qu'une observation appartienne à une classe donnée.

69

La sortie est comprise entre 0 et 1, ce qui permet de l'interpréter comme une probabilité. Il est simple, rapide, et efficace pour des jeux de données linéairement séparables.

v Arbres de décision (Decision Trees) : Ce modèle fonctionne en divisant les données en sous-ensembles selon des conditions basées sur les attributs. Il produit un arbre hiérarchique où chaque noeud représente une condition de décision. Faciles à interpréter, les arbres de décision sont efficaces mais sensibles au surapprentissage (overfitting).

v K-Nearest Neighbors (K-NN) : Cet algorithme classe une nouvelle observation selon la majorité des classes de ses k plus proches voisins dans l'espace des caractéristiques. Il ne nécessite pas de phase d'entraînement, mais peut être lent sur de grands ensembles de données. Il est également sensible à l'échelle des variables.

v Support Vector Machines (SVM) : Le SVM cherche à trouver l'hyperplan qui sépare au mieux les classes dans un espace à plusieurs dimensions. Il est efficace dans les cas où les classes ne sont pas parfaitement séparables, en utilisant des noyaux pour transformer les données.

v Réseaux de neurones artificiels (ANN) : Inspirés du fonctionnement du cerveau humain, les ANN sont constitués de couches de neurones interconnectés. Chaque neurone applique une fonction d'activation pour transmettre les informations. Ces réseaux sont capables de modéliser des relations complexes entre les variables, surtout lorsqu'ils sont profonds (deep learning). Ils sont utilisés dans les applications d'imagerie médicale, de reconnaissance vocale et de traitement du langage naturel.

2.2.3 Apprentissage non supervisé

Un modèle est préparé en déduisant les structures présentes dans les données d'entrée. Il peut s'agir d'extraire des règles générales. Il peut s'agir d'un processus mathématique visant à réduire systématiquement la redondance, ou d'organiser les données par similarité. Un programme n'apprend pas à partir de données étiquetées. Au lieu de cela, il tente de découvrir des modèles dans les données [12].

Ici les données ne sont pas étiquetées, L'objectif principal de l'apprentissage non supervisé est de permettre à l'algorithme de trouver des patterns, des regroupements ou des relations entre les données d'entrée, sans intervention humaine.

2.3.4 Apprentissage par renforcement

L'apprentissage par renforcement (Reinforcement Learning, en anglais) est une forme d'apprentissage automatique dans laquelle un agent autonome apprend à prendre des décisions en interagissant avec un environnement dynamique. Cet agent n'apprend pas à partir d'un ensemble de données déjà étiqueté (comme en apprentissage supervisé), mais à travers des essais et des erreurs, en recevant des récompenses ou des pénalités selon la qualité de ses actions.

2.3.5 Notions de Deep Learning

Le Deep Learning ou apprentissage profond est une branche avancée de l'apprentissage automatique (machine learning) qui repose sur l'utilisation de réseaux de neurones artificiels profonds, composés de plusieurs couches. Ces architectures sont capables de modéliser des relations complexes et de traiter des données de grande dimension comme les images, les sons ou les textes non structurés [13].

70



Figure 34 Machine learning, deep learning description

Un réseau de neurones est une structure inspirée du fonctionnement du cerveau humain. Il est constitué de plusieurs neurones artificiels.

Les approches classiques de Machine Learning nécessitent peu de données pour fonctionner efficacement. Elles s'appuient sur des architectures comme les arbres de décision, SVM ou KNN, et offrent de bonnes performances lorsqu'elles sont appliquées à des données structurées. Leur entraînement est généralement rapide et peu coûteux.

En revanche, les modèles de Deep Learning sont particulièrement adaptés aux données complexes telles que les textes, les images ou les sons. Ils reposent sur des réseaux de neurones profonds et exigent de grandes quantités de données pour atteindre leur plein potentiel. Leur entraînement demande plus de temps et mobilise davantage de ressources.

Cas d'usage du Deep Learning dans le traitement de CV

L'usage du Deep Learning dans le traitement des curriculum vitae (CV) constitue une avancée majeure dans l'optimisation des processus de recrutement. Cette technologie, grâce à sa capacité à traiter des données textuelles hétérogènes et non structurées, permet de répondre à des enjeux stratégiques liés à la sélection automatisée et à la correspondance entre candidatures et offres d'emploi.

1. Extraction des informations pertinentes à partir de données non structurées

Les architectures de Deep Learning telles que BERT, SBERT et les pipelines de traitement linguistique comme spaCy, intégrant la reconnaissance d'entités nommées (NER), facilitent l'extraction automatisée de données essentielles, notamment :

· L'identité du candidat

· Les diplômes et le niveau académique

· Les expériences professionnelles antérieures

· Les compétences techniques (ex. : langages de programmation, systèmes d'exploitation)

· Les langues maîtrisées

71

· Les certifications obtenues

Cette démarche permet de convertir des documents textuels non standardisés en représentations structurées exploitables par des systèmes décisionnels.

2. Évaluation sémantique de la pertinence entre CV et offres d'emploi

La correspondance automatisée entre le profil d'un candidat et les exigences d'un poste repose sur la vectorisation sémantique des contenus textuels. Les modèles comme Sentence-BERT (SBERT) transforment le CV et l'offre en vecteurs dans un espace latent partagé. La mesure de similarité cosinus entre ces vecteurs permet d'évaluer le degré de correspondance. Ce processus constitue une étape essentielle dans la mise en oeuvre de systèmes intelligents de recommandation et de présélection.

2.3.6 Traitement automatique du langage naturel (NLP)

Le NLP pour Natural Language Processing ou Traitement du Langage Naturel est une discipline qui porte essentiellement sur la compréhension, la manipulation et la génération du langage naturel par les machines. Ainsi, le NLP est réellement à l'interface entre la science informatique et la linguistique. Il porte donc sur la capacité de la machine à interagir directement avec l'humain. [14]

À quelles problématiques répond le NLP ?

Le NLP est terme assez générique qui recouvre un champ d'application très vaste. Voici les applications les plus populaires :

Ø Traduction automatique

Le développement d'algorithmes de traduction automatique a réellement révolutionné la manière dont les textes sont traduits aujourd'hui. Des applications, telles que Google Translator, sont capables de traduire des textes entiers sans aucune intervention humaine. Le langage naturel étant par nature ambigu et variable, ces applications ne reposent pas sur un travail de remplacement mot à mot, mais nécessitent une véritable analyse et modélisation de texte, connue sous le nom de Traduction automatique statistique (Statistical Machine Translation en anglais) [14].

Ø Sentiment analysis

Aussi connue sous le nom de « Opinion Mining », l'analyse des sentiments consiste à identifier les informations subjectives d'un texte pour extraire l'opinion de l'auteur [14].

À titre exemple, lorsqu'une marque lance un nouveau produit, elle peut exploiter les commentaires recueillis sur les réseaux sociaux pour identifier le sentiment positif ou négatif globalement partagé par les clients.

De manière générale, l'analyse des sentiments permet de mesurer le niveau de satisfaction des clients vis-à-vis des produits ou services fournis par une entreprise ou un organisme. Elle peut même s'avérer bien plus efficace que des méthodes classiques comme les sondages [14].

En effet, si l'on rechigne souvent à passer du temps à compléter de longs questionnaires, une partie croissante des consommateurs partage aujourd'hui fréquemment leurs opinions sur les réseaux sociaux. Ainsi, la recherche de textes négatifs et l'identification des principales plaintes permettent d'améliorer les produits, d'adapter la publicité et de réduire le niveau d'insatisfaction des clients [14].

72

Ø Marketing

Les spécialistes du marketing utilisent également le NLP pour rechercher des personnes étant susceptible d'effectuer un achat [14].

Ils s'appuient pour cela sur le comportement des internautes sur les sites, les réseaux sociaux et les requêtes aux moteurs de recherche. C'est grâce à ce type d'analyse que Google génère un profit non négligeable en proposant la bonne publicité aux bons internautes. Chaque fois qu'un visiteur clique sur une annonce, l'annonceur reverse jusqu'à 50 dollars !

De manière plus générale, les méthodes de NLP peuvent être exploitées pour dresser un portrait riche et complet du marché existant, des clients, des problèmes, de la concurrence et du potentiel de croissance des nouveaux produits et services de l'entreprise.

Les sources de données brutes pour cette analyse comprennent les journaux de ventes, les enquêtes et les médias sociaux...

Ø Chatbots

Les méthodes NLP sont au coeur du fonctionnement des Chatbots actuels. Bien que ces systèmes ne soient pas totalement parfaits, ils peuvent aujourd'hui facilement gérer des tâches standards telles renseigner des clients sur des produits ou services, répondre à leurs questions, etc. Ils sont utilisés par plusieurs canaux, dont l'Internet, les applications et les plateformes de messagerie. L'ouverture de la plateforme Facebook Messenger aux chatbots en 2016 a contribué à leur développement [14].

Autres domaines d'application

· Classification de texte : cela consiste à attribuer un ensemble de catégories prédéfinies à un texte donné. Les classificateurs de texte peuvent être utilisés pour organiser, structurer et catégoriser à ensemble de textes.

· Reconnaissance de caractères : Cela permet d'extraire, à partir de la reconnaissance des caractères, les principales informations des reçus, des factures, des chèques, des documents de facturation légaux, etc.

· Correction automatique : la plupart des éditeurs de texte sont aujourd'hui muni d'un correcteur orthographique qui permet de vérifier si le texte contient des fautes d'orthographe.

73



Figure 35 Quelques Domaines du nlp Parmi les principales étapes, on retrouve :

· Nettoyage : Variable selon la source des données, cette phase consiste à réaliser des tâches telles que la suppression d'urls, d'emoji, etc.

· Normalisation des données:

o Tokenisation, ou découpage du texte en plusieurs pièces appelés tokens. Exemple : « Vous trouverez en pièce jointe le document en question » ; « Vous », « trouverez », « en pièce jointe », « le document », « en question ».

o Stemming : un même mot peut se retrouver sous différentes formes en fonction du genre (masculin féminin), du nombre (singulier, pluriel), la personne (moi, toi, eux...) etc. Le stemming désigne généralement le processus heuristique brut qui consiste à découper la fin des mots dans afin de ne conserver que la racine du mot. Exemple : « trouverez » -> « trouv »

o Lemmatisation : cela consiste à réaliser la même tâche mais en utilisant un vocabulaire et une analyse fine de la construction des mots. La lemmatisation permet donc de supprimer uniquement les terminaisons inflexibles et donc à isoler la forme canonique du mot, connue sous le nom de lemme. Exemple : « trouvez » -> trouver

o Autres opérations : suppression des chiffres, ponctuation, symboles et stopwords, passage en minuscule.

Afin de pouvoir appliquer les méthodes de Machine Learning aux problèmes relatifs au langage naturel, il est indispensable de transformer les données textuelles en données numériques. Il existe plusieurs approches dont les principales sont les suivantes :

· Term-Frequency (TF) : cette méthode consiste à compter le nombre d'occurrences des tokens présents dans le corpus pour chaque texte.

74

· Chaque texte est alors représenté par un vecteur d'occurrences. On parle généralement de Bag-Of-Word, ou sac de mots en français.

Néanmoins, cette approche présente un inconvénient majeur : certains mots sont par nature plus utilisés que d'autres, ce qui peut conduire le modèle à des résultats erronés.

· Term Frequency-Inverse Document Frequency (TF-IDF) : cette méthode consiste à compter le nombre d'occurrences des tokens présents dans le corpus pour chaque texte, que l'on divise ensuite par le nombre d'occurrences total de ces même tokens dans tout le corpus.

Dans le cadre de ce travaille nous avions utiliser le modèle Sbert(paraphrase-multilingual-MiniLM-L12-v2) pour l'encodage de texte et non (TF-IDF) ni (TF)

4.3 Récolte de données

Nous avions récolté nos données sur kaggle(Automated Resume Job Categorization ) le dataset est nomé `' clean_resume_data.csv `'

df.shape : (2484, 2)

Description du Dataset - Automated Resume Job Categorization

Ce jeu de données est utilisé dans le cadre de projets de classification automatique des curriculum vitae selon les catégories d'emploi correspondantes. Il est fréquemment mobilisé dans les systèmes de recommandation d'offres d'emploi ou de mise en correspondance entre profils candidats et descriptions de postes.

Tableau 5 Contenu du dataset

Attribut Description

Resume			Contient le texte brut du CV, généralement sous forme de paragraphe ou d'ensemble de phrases non structurées.	Category
Étiquette associée à chaque CV, représentant le domaine professionnel (ex. : "Data Science", "HR", "Advocate", "Design", etc.).

Statistiques générales

Voici un aperçu typique basé sur ce jeu de données

· Nombre total de CVs : 2484

· Nombre de catégories transformer en offre d'emplois : environ 24

· Format : CSV

· Colonnes : Resume, Category

· Taille moyenne d'un CV : entre 200 et 500 mots

· Langue du contenu : anglaise

75

Objectif du projet avec ce dataset

Former un modèle capable de prédire la catégorie de job la plus pertinente à partir du contenu textuel d'un CV non structuré.

Ce dataset nous l'avions modifié en le traduisant en français et en changeant la catégory en offre via le modèle Helsinki-NLP/opus-mt-en-fr.

4.4 Conception et Entraînement du Modèle de Classification pour l'Analyse CV-Offres

Dans ce bloc nous allons décrire en détail la conception, l'architecture, l'entraînement et l'évaluation d'un système de classification automatique permettant d'évaluer la pertinence entre des CV et des offres d'emploi. Le modèle combine des techniques avancées de traitement du langage naturel (NLP)

1 Architecture Globale du Système

Le système complet se compose des étapes suivantes :

1. Prétraitement des données textuelles (nettoyage, normalisation).

2. Encodage sémantique avec un modèle SBERT (Sentence-BERT).

3. Calcul de similarité entre les embeddings CV et offres.

4. Classification avec plusieurs algorithmes (Random Forest, SVM, Réseau de Neurones).

5. Évaluation et optimisation des performances.

o Prétraitement des Données

Ø Netoyage robuste

Un prétraitement minimaliste est choisi pour préserver au maximum la richesse sémantique
originale, les modèles modernes comme SBERT étant robustes aux variations de formatage.

2. Encodage Sémantique avec SBERT

Modèle utilisé : paraphrase-multilingual-MiniLM-L12-v2 Caractéristiques techniques :

· Modèle Transformer pré-entraîné sur plusieurs langues

· Taille des embeddings : 384 dimensions

· Capacité à capturer la sémantique des phrases complètes

· Optimisé pour les tâches de similarité textuelle Optimisations :

· Traitement par lots pour gérer la mémoire

· Barre de progression avec tqdm

· Concatenation efficace des résultats

76

3. Calcul de Similarité

Métrique utilisée : Similarité cosinus

2.4 Stratégie d'Étiquetage Automatique

Approche : Discrétisation des scores de similarité en 4 classes

Seuils déterminés:

1. Excellent: similarity = 0.7

2. Très bon: 0.6 = similarity < 0.7

3. Bon : 0.5 = similarity < 0.6

4. Faible : similarity < 0.5 Justification :

Les seuils fixes permettent une interprétation cohérente, tandis que la version basée sur les

quantiles s'adapte automatiquement à la distribution des données.

2.5 Équilibrage des Classes

Problématique : Distribution inégale des classes dans les données brutes



Figure 36 Déséquilibre initiale de classe Solutions implémentées :

1. Oversampling avec SMOTE

2. Pondération des classes

3. Approche hybride : Combinaison des deux méthodes pour les modèles sensibles au déséquilibre

77



Figure 37 Equilibres de classes

Impact :

Réduction du biais envers les classes majoritaires, amélioration des métriques sur les classes rares.

3. Modèles de Classification 3.1 Modèles Traditionnels

Tableau 6 Algorithmes implémentés

Modèle Paramètres Clés Avantages

Random Forest	n_estimators=200, max_depth=15	Robustesse, sélection de features
SVM	kernel='rbf', class_weight='balanced'	Performances en haute dimension
Régression Logistique	penalty='elasticnet', solver='saga'	Interprétabilité

3.2 Réseau de Neurones Profond Hyperparamètres :

· Taux d'apprentissage : 0.0005 (avec réduction dynamique)

· Batch size : 64

· Early stopping avec patience=10 Mécanismes avancés :

· Dropout : Prévention du surapprentissage

· BatchNorm : Stabilisation de l'apprentissage

· Callbacks : Optimisation automatique du LR

78

4. Évaluation des Performances des modèles



Figure 39 Tableau comparatif des modèles



Figure 38 Comparaison de la performance des modèles

79



Figure 40 visualisation de la courbe de précision et perte



Figure 41 Matrice de confusion du modèle validé



Figure 42 Matrice de confusion normalisé

80

4.5. Conclusion

Dans ce chapitre, nous avons présenté l'ensemble des outils et technologies ainsi que methodes utilisés pour le développement de notre système, en mettant l'accent sur les architectures MVT côté backend (Django) et MVVM côté frontend (React). L'implémentation a été structurée de manière modulaire, facilitant la maintenance et l'évolutivité ainsi que la manières dont nous avons recoltés nos données et entrainer le model jusqu'au résultat final. Les tests réalisés ont montré que la solution est stable, cohérente avec les exigences définies.

81

CHAPITRE 5. RESULTATS ET EVALUATIONS

5.1 Résultats

a) Présentation de l'application



Figure 43 interface d'accueille

Cette page est la page d'accueil accessible à tous les utilisateurs



Figure 44 interface des offres



82

Figure 45 interface des offres avec option de filtre

Figure 46 interface de login pour s'authentifier



83

Figure 47 interface pour réinitialiser le mot de passe

Figure 48 interface pour la vérification de OTP envoyer par mail



84

Figure 49 interface pour sur la vue du détaille de l'offre

Figure 50Interface pour uploader le cv



85

Figure 51 Dashboard Entreprise

Figure 52 Dashboard chercheur d'emploie

Figure 53 Dashboard entreprise avant l'analyse



86

Figure 54Dashboard entreprise l'analyse encours

Figure 55 opération Asynchrone avec serveur celery

Figure 56 Résultat d'analyse

87

Conclusion Générale

Au terme de ce travail de recherche et de développement, nous avons pu concevoir et implémenter un système intelligent d'aide au recrutement basé sur l'analyse automatique de CV et le matching sémantique avec les offres d'emploi. Cette étude s'inscrit dans une dynamique actuelle de digitalisation des processus RH, et répond à un besoin croissant d'automatisation dans le traitement des candidatures, tant du point de vue des recruteurs que des demandeurs d'emploi.

Dans une première phase, nous avons mené une analyse approfondie du métier et des besoins fonctionnels, en nous basant sur les pratiques existantes et les insuffisances observées dans les systèmes traditionnels de gestion des candidatures. L'analyse métier a permis de définir les acteurs clés, les cas d'utilisation pertinents, ainsi que les exigences fonctionnelles et non fonctionnelles du système à concevoir.

Sur le plan technique, nous avons mis en oeuvre une architecture web basée sur des technologies modernes (Django, React) et avons intégré des techniques avancées de traitement automatique du langage naturel (NLP), notamment via des modèles d'embedding comme BERT, pour évaluer la correspondance sémantique entre les profils des candidats et les offres publiées. Cette démarche a permis de passer d'un système basé sur des mots-clés à un moteur intelligent d'analyse contextuelle, plus pertinent et plus performant.

L'application développée offre ainsi aux entreprises une plateforme intuitive pour publier et gérer des offres d'emploi, recevoir des candidatures, analyser automatiquement les CV et visualiser les scores labelisé. Du côté des chercheurs d'emploi, le système permet de consulter les offres, de téléverser leur CV, de suivre l'état de leur candidature et d'accéder à des services fluides, accessibles et ergonomiques. L'intégration de fonctionnalités telles que l'authentification OTP, la traçabilité des actions et le tableau de bord statistique apporte une valeur ajoutée significative à l'application, en renforçant la sécurité, la transparence et la facilité de gestion.

Ce mémoire a également permis de mettre en évidence les limites rencontrées, notamment en ce qui concerne l'analyse des CV très hétérogènes ou mal structurés, ou encore les défis liés à la constitution d'un jeu de données représentatif pour entraîner les modèles. Toutefois, les résultats obtenus sont prometteurs et laissent entrevoir plusieurs perspectives d'amélioration, telles que l'intégration d'un moteur de recommandation de profils, l'apprentissage automatique supervisé ou non supervisé, ou encore la prise en compte de critères socio-professionnels plus larges.

En définitive, ce travail constitue une contribution concrète à l'optimisation des processus de recrutement à l'ère numérique, et ouvre la voie à de nombreuses évolutions futures. Il témoigne également de l'importance croissante de l'intelligence artificielle dans les systèmes d'information décisionnels, notamment dans le domaine des ressources humaines.

Nous espérons que cette application servira de base pour d'éventuels déploiements en milieu réel, ou à tout le moins, qu'elle stimulera une réflexion plus large sur les opportunités offertes par l'automatisation intelligente au service de l'employabilité.

88

Bibliographie

[1] S. HATTAB, «zenodo,» [En ligne]. Available: https://zenodo.org/records/7945078. [Accès le 1 4 2025].

[2] U. d. Liège, «matheo,» Université de Liège , [En ligne]. Available: https://matheo.uliege.be/handle/. [Accès le 3 4 2025].

[3] H. Ramdani, « hal.univ-lorraine.fr,» [En ligne]. Available: https://hal.univ-lorraine.fr/tel-04213881/file/DDOC_T_2021_0366_RAMDANI.pdf. [Accès le 4 4 2025].

[4] M. Martins Oliveira, « matheo.uliege.be,» Liège University, 2021-2022. [En ligne]. Available: https://matheo.uliege.be/bitstream/2268.2/16352/4/s162904MartinsMariana2022.pdf. [Accès le 5 4 2025].

[5] Y. ELMOHRI, dspace.univ-medea.dz, Algérienne : Université Yahia Fares de Médéa, 2023-2024.

[6] «wikipedia,» [En ligne]. Available:

https://fr.wikipedia.org/wiki/Mod%C3%A9lisation_de_processus. [Accès le 9 5 2025].

[7] « clicours.com,» [En ligne]. Available: https://www.clicours.com/cours-uml-et-exercices-corriges/. [Accès le 1 6 2025].

[8] Université du Québec à Montréal, [En ligne]. Available: https://www.studocu.com/. [Accès le 28 5 2025].

[9] « www.lucidchart.com,» lucidchart, [En ligne]. Available: https://www.lucidchart.com/. [Accès le 5 29 2025].

[10] «wikipedia,» wiki, [En ligne]. Available: https://fr.wikipedia.org/wiki/Logiciel. [Accès le 30 06 2025].

[11] «clicours,» [En ligne]. Available: https://www.clicours.com/cours-uml-et-exercices-corriges/. [Accès le 1 6 2025].

[12] «machinelearning101,» [En ligne]. Available:

https://machinelearning101.readthedocs.io/en/latest/_pages/01_introduction.html. [Accès le 1 7 2025].

[13] IBM, « www.ibm.com,» [En ligne]. Available: https://www.ibm.com/fr-fr/think/topics/deep-learning. [Accès le 7 7 2025].

[14] « datascientest.com,» [En ligne]. Available: https://datascientest.com/introduction-au-nlp-natural-language-processing. [Accès le 7 7 2025].