Depuis sa création, l’innovation et le développement sont au cœur de l’agence de stratégie digitale Maltem. Et le groupe a passé une nouvelle étape en créant son propre laboratoire de Recherche & Innovation : Maltem Lab. Sous la responsabilité de Frédérick Bisone, il a pour objectif d’encourager la recherche et l’innovation dans les différents pôles d’expertise du groupe.

Dernier projet en date, AIBOO est un outil d’intelligence artificielle basé sur le traitement automatique de la langue (Natural Language Processing), NLP en anglais. L’objectif d’AIBOO est de collecter automatiquement des appels d’offres, de les lire, de les comprendre, puis de déterminer et d’en extraire automatiquement le contenu pertinent. Une fois ce traitement effectué, AIBOO est capable de :

• Calculer automatiquement une note de correspondance entre un CV et un appel d’offres ;
• Déterminer des tendances (contenu pertinent qui revient régulièrement, qui a disparu, qui émerge…) de marché par secteur, en étudiant au fil du temps les appels d’offres ;
• Synthétiser un appel d’offres par un résumé automatique afin d’améliorer la rapidité de compréhension de celui-ci ;
• Évaluer un CV par rapport aux tendances du marché.

1^ère étape : La collecte des appels d’offres

AIBOO collecte automatiquement via différents services web les appels d’offres émis par nos clients. Ces appels d’offres extraits sont ensuite stockés avec leurs différentes propriétés (contenu de l’appel d’offre, date de collecte, plateforme de collecte…) puis convertis au format texte afin de permettre les traitements de l’intelligence artificielle.

2^ème étape : Prétraitement des appels d’offres

L’étape suivante est la tokenisation.  La tokenisation cherche à transformer un texte en une série de tokens individuels, chaque token représentant un mot. Les contractions de mots peuvent parfois poser un problème lors de la tokenisation. Par exemple, la phrase « J’ai mangé une pomme » serait tokenisée en « j, ai, mangé, une, pomme » on y perd ainsi la signification du sujet, ici « je » qui sera transformé en j. Une fois les tokens obtenus, nous supprimons les mots les plus fréquents ou stop word, en anglais. En effet, certains mots se retrouvent très fréquemment dans le langage (des mots tels que « mais, un, …). Bien souvent, ces mots n’apportent pas d’informations dans la signification du texte. C’est pourquoi nous les supprimons de notre liste de mots.

🌎 Le groupe Maltem est une agence de stratégie digitale, qui permet aux entreprises dans le monde entier de développer leur potentiel digital. Également expert en cybersécurité, le groupe Maltem est votre partenaire de confiance. 🌎

3^ème étape : Extraction des données pertinentes

De nombreux facteurs empêchent de faire simplement un top 10 des mots les plus pertinents extraits d’un appel d’offre. En effet, par exemple, le fait que plusieurs langues puissent être utilisées pour les appels d’offre, ou simplement des synonymes peuvent biaiser cette analyse mot à mot. Par exemple, développeur de base de données et SQL programmer sont deux noms qui renvoient vers le même concept (une personne qui développe des scripts pour les bases de données). Une analyse mot à mot ne comprendrait pas que ces deux phrases ont la même signification. C’est pourquoi, une fois les tokens importants extraits des appels d’offres, nous remplaçons ces tokens par leur concept dans une ontologie. Une ontologie est un ensemble structuré de termes et de concepts liés par des relations. Cela permet de s’extraire des problèmes de traduction, de synonymes et de contexte.

Exemple : Dans un appel d’offre se trouve le mot banque. L’utilisation d’ontologies nous permet de remplacer le mot banque par le concept banque de l’ontologie. Concrètement, cela permet de remplacer le mot par un identifiant de concept unique. Ainsi, le mot bank, en anglais, aurait le même identifiant, permettant ainsi de s’affranchir des problèmes de traduction. De plus, le concept de banque est lui-même lié à d’autres concepts dans cette ontologie, dans le cas du mot banque, il est lié à des concepts comme institution financière, entreprise, compte bancaire, système bancaire, banque de dépôt, secteur financier…

L’utilité des relations de concepts est que finalement, il serait possible de lier deux concepts comme banque et crédit, ces deux concepts étant chacun liés au secteur financier, au compte bancaire, etc.

Finalement, pour extraire le contenu pertinent des appels d’offres, nous effectuons une extraction des différents concepts présents dans ceux-ci.

Une fois ces concepts extraits, il est possible de présenter pour chaque appel d’offre les principaux domaines de ceux-ci et ainsi de synthétiser son contenu.

4^ème étape : Liaison avec des CV

Les mêmes algorithmes d’extraction de concepts sont utilisés pour les CV. Ensuite, les algorithmes d’intelligence artificielle d’AIBOO calculent automatiquement une note de correspondance entre les concepts extraits d’un CV et ceux d’un appel d’offres afin de calculer si oui ou non, un CV est pertinent pour un appel d’offres.

5^ème étape : Calcul des tendances

Les appels d’offres étant extraits et traités à des périodes récurrentes, AIBOO stocke les résultats obtenus au fil du temps et propose ensuite une interface permettant de visualiser l’évolution des tendances par domaine ou par technologie au fil des mois ou des années.

• Extraire les informations pertinentes d’un appel d’offre en produisant un résumé synthétique plus facilement compréhensible par une équipe commerciale
• Permettre d’augmenter la capacité de traitement des appels d’offres
• Faire gagner du temps aux équipes commerciales en leur permettant de s’affranchir de certaines tâches chronophages (Lecture complète d’un appel d’offres, vérification des CV compatibles avec le profil recherché…) et ainsi dégager plus de temps aux réponses à apporter
• Faciliter la prise de décision des équipes RH en mettant en parallèle un CV avec des tendances de marché d’un secteur étudié