AssessFirst

Notre équipe technique, organisée par squads, utilise les principes d'agilité pour optimiser le delivery de solutions innovantes et efficaces. Chaque développement suit des épics et user stories, facilitant la planification et la réalisation précise des tâches. Nous assurons la qualité et la stabilité via des tests automatisés intégrés aux cycles de CI/CD, garantissant performance et sécurité avant chaque déploiement. Les équipes participent à des daily meetings de 15 minutes, bénéficient d'une semaine de R&D par mois, et se réunissent mensuellement pour un alignement global. Ces pratiques strictes répondent à des exigences élevées de performance et de sécurité, soutenant notre engagement envers l'excellence technique et la satisfaction client.

Nous travaillons sur une multitude de projets passionnants. L'une des dernières technologies que nous avons développé transforme les descriptions de poste standard en modèles prédictifs avancés... en 10 secondes.

En utilisant des LLMs, notre processus extrait, dans un premier temps, des caractéristiques essentielles de la fiche de poste, telles que les compétences. Ensuite, un Sentence Transformer identifie les facettes de personnalité et les motivations pertinentes, tandis qu'une version fine-tunée de DistilBERT ajuste le sens de prise en compte. Une optimisation multi-pénalité garantit ensuite que ces modèles sont équitables, évitant toute discrimination envers des groupes spécifiques.

• Évaluation comportementale.

Utilisant des modèles de ML à la pointe de la technologie, nos assessments emploient des techniques NLP et d'analyse d'images pour créer et valider les items avant leur mise en production, garantissant une évaluation valide et fiable. Combinée à la Théorie de la Réponse à l'Item (IRT) pour le scoring, ils offrent aux utilisateurs une compréhension profonde de leur personnalité, de motivations et capacités de raisonnement.

• Modèles prédictifs basés sur l'analyse de contacts.

Ces modélisations permettent d'analyser les données de performances des collaborateurs, et d'en extraire les critères clés de réussite. Basé sur des modèles de régressions logistiques, notre modèle identifie les dimensions les plus prédictives de la réussite en poste. Un fine tuning du modèle est réalisé en utilisant PyTorch. Pour garantir l'équité et éviter les biais, une optimisation multi-pénalité est mise en place avec Optuna, garantissant des modèles sans biais.

• Étape 1 : Passation de nos questionnaires divisés en 3 parties (Swipe, Drive, Brain)
• Étape 2 : Entretien avec Agathe, notre Talent Acquisition Manager
• Étape 3 : Rencontre avec ton·ta futur·e manager
• Étape 4 : Cas pratique/Test technique
• Étape 5 : Rencontre avec David, notre CEO