Toutes les réalisations

Projet personnel

JD Matcher, prototype d'adéquation Salesforce évalué à partir des preuves

Une expérience conçue pour mon propre usage : collez une offre Salesforce, ajoutez un CV et obtenez un verdict chiffré relié aux preuves plutôt qu'une intuition. C'est encore un prototype, pas un produit finalisé.

Concepteur unique : cadrage produit, prompt design et ingénierie applicative · Projet personnel en cours · Recrutement Salesforce et outils de carrière

Le problème

Postuler à l'aveugle à des postes Salesforce fait perdre du temps aux deux parties. Un candidat ne peut pas savoir si une offre lui correspond réellement avant de postuler, tandis qu'une simple correspondance par mots-clés favorise artificiellement tous les profils. Je voulais obtenir rapidement une lecture honnête de n'importe quelle offre Salesforce, fondée sur les preuves plutôt que sur une impression, et proposer aux recruteurs une démonstration concrète de ma façon de construire des systèmes d'IA.

Ce que j'ai construit

J'ai construit un outil Next.js et un premier prototype d'extension navigateur qui lit la page d'offre déjà ouverte. Tous deux comparent un profil de CV enregistré avec le poste et envoient les preuves à Claude au moyen d'un schéma strict d'utilisation d'outils. Le modèle ne peut renvoyer qu'une structure JSON définie : score, type de rôle, niveau de confiance, correspondances et écarts reliés aux preuves, questions pour le recruteur. Ce résultat traverse ensuite une couche déterministe. Les signaux structurés sont d'abord extraits du CV : certifications, clouds, mots-clés de capacité et niveau de preuve. Des règles fixes recalibrent ensuite la recommandation et limitent le nombre d'écarts par niveau de verdict, afin que le modèle ne puisse ni gonfler discrètement une faible adéquation ni masquer un véritable frein.

Le résultat

L'outil fonctionne et peut être testé en ligne, mais reste un prototype à un stade précoce : limité aux rôles Salesforce, encore imparfait et en évolution. Je le présente comme la démonstration fonctionnelle d'une approche où le scoring fondé sur les preuves est maintenu sous contrôle par une couche déterministe, le même principe que pour la plateforme InsideBoard, et non comme un produit finalisé.

Preuves du prototype

Prototype Judjit29 s
Extension · verdict réel
L'ancienne extension Judjit, devenue JD Matcher : elle lit une offre publique en ligne, demande confirmation avant d'utiliser un crédit d'analyse, évalue le poste et présente les forces et freins qui en ressortent. L'enregistrement précède l'interface actuelle.
L'ancienne extension Judjit affichée à côté d'une offre publique en direct, avec un verdict volontairement bas de 16/100 et les principaux écarts, signaux du poste, preuves et frein visibles. L'interface est depuis devenue JD Matcher.
L'interface expérimentale en ligne présente le parcours de saisie et un exemple de décision à 74/100, avec les points forts confirmés, les écarts et un angle de CV recommandé. Données d'exemple uniquement.

Points clés

  • Chaque score est relié aux preuves : chaque exigence satisfaite pointe vers le passage précis du CV qui la justifie
  • Une couche de calibration déterministe remplace le verdict du modèle lorsque les signaux structurés du CV le contredisent
  • Chaque visiteur est soumis à une limitation de débit et à un quota, tandis que les textes de l'offre et du CV sont assainis avant d'atteindre le modèle
  • Le statut de prototype est affiché clairement sur l'outil lui-même, sans le présenter comme un produit finalisé

Sous le capot

  • Le prototype d'extension navigateur lit une offre publique en direct, demande confirmation avant l'analyse et affiche le verdict à côté de l'offre source
  • Appel Claude avec utilisation d'outils contraint par un schéma JSON fixe : score limité de 0 à 100, types de rôles énumérés et longueurs de tableaux plafonnées
  • L'extraction des signaux structurés du candidat, certifications, clouds, mots-clés de capacité et niveau de preuve Salesforce, alimente une calibration de la recommandation par règles, indépendante du résultat brut du modèle
  • Le nombre d'écarts est plafonné selon le niveau de recommandation, afin qu'un verdict de forte adéquation ne puisse pas masquer des freins non résolus
  • Limitation de débit par adresse IP et quota quotidien d'IA sur chaque requête

Pourquoi lui faire confiance

  • Même principe que sur la plateforme InsideBoard : le modèle propose, le code décide
  • Honnêteté intégrée à la conception : la qualité des données d'entrée du CV et de l'offre est évaluée et affichée, afin que l'outil n'annonce jamais une confiance supérieure à celle permise par les données
  • Conçu seul de bout en bout : prompt design, schéma, règles de calibration et interface
StackNext.jsTypeScriptBrowser extensionAnthropic Claude (tool use)Upstash Redis rate limiting
Tester le prototype en anglais · expérimentalExpérimental, pas un produit finalisé

Vous avez un projet similaire ?

Réserver un échangeAutres réalisations
Projet personnel: JD Matcher, prototype d'adéquation Salesforce évalué à partir des preuves | Marwane Ait Yahia