Analyseur de CV IA — Extrayez les données candidat de toute mise en page sans que les compétences n'aillent au mauvais employeur

Un CV sur deux colonnes place les compétences et coordonnées dans une barre latérale étroite (à gauche ou à droite) et l'expérience professionnelle dans un corps principal plus large. Un analyseur classique lit la page de haut en bas, de gauche à droite, produisant un bloc de texte unique où « Python, React, Docker » apparaît coincé entre « Dirigé une équipe de cinq ingénieurs » et « Augmenté la fréquence de déploiement de 40 %. » Les compétences appartiennent au candidat, mais l'analyseur les attribue à un poste spécifique — ou pire, crée une entrée d'emploi fantôme à partir du texte de la barre latérale. Les recruteurs qui s'appuient sur ces résultats soit jettent les données parsées automatiquement, soit passent autant de temps à corriger les champs mal attribués qu'à saisir les données manuellement.

Un nom trône dans un en-tête centré. L'email se trouve dans une fine barre supérieure. Le numéro de téléphone est en pied de page. L'URL LinkedIn est glissée sous le nom en petits caractères. Ces quatre éléments appartiennent à une seule personne, mais un analyseur linéaire les voit comme des fragments déconnectés répartis dans différentes zones de la page. Résultat : une candidate nommée « Sarah Chen » voit son champ email contenir « linkedin.com/in/sarahchen » et son champ LinkedIn rester vide. Le numéro de téléphone atterrit dans un champ de notes générique. Lorsque vous traitez 200 candidatures pour un poste, corriger manuellement chacune de ces erreurs d'attribution va à l'encontre du but même de l'analyse automatisée.

Les CV modernes utilisent de plus en plus de graphiques chronologiques, de barres de compétences visuelles, d'en-têtes de section basés sur des icônes et de séparateurs décoratifs. Un analyseur qui lit le texte par position de pixel traite l'étiquette « Formation » à l'intérieur d'un cercle bleu comme sans rapport avec le texte du diplôme en dessous, ou lit une barre de compétence « Python ████████░░ 80 % » comme trois points de données distincts sans lien. La section formation — souvent placée dans un bloc visuellement distinct avec sa propre couleur de fond ou iconographie — est analysée comme des fragments de texte aléatoires dispersés parmi les descriptions d'entreprises. Lorsque l'analyseur ne peut pas distinguer un élément décoratif d'une limite de données, des sections entières du profil d'un candidat deviennent invisibles pour l'ATS.

L'extraction personnalisée de colonnes — le mécanisme derrière ImageToTable.ai — ne lit pas le texte linéairement. Lorsque vous saisissez des noms de colonnes comme « Compétences » et « Employeur actuel », l'IA localise chaque valeur en comprenant la zone visuelle à laquelle elle appartient. Un bloc latéral à gauche de la page est reconnu comme une zone visuelle distincte avec son propre objectif sémantique ; les compétences qui y sont listées sont extraites dans la colonne Compétences, sans être fusionnées au paragraphe le plus proche. La section emploi du corps principal est reconnue comme une zone séparée ; les noms d'employeurs, titres et dates qu'elle contient sont extraits dans leurs colonnes respectives. Cette approche par zones visuelles garantit qu'un CV sur deux colonnes avec des compétences en barre latérale, des coordonnées en en-tête et une expérience chronologique produit des données correctement attribuées — que la barre latérale soit à gauche ou à droite, ou que la mise en page passe à une seule colonne en page deux.

Un nom dans l'en-tête, un e-mail dans la barre supérieure, un téléphone dans le pied de page et une URL LinkedIn sous le nom — l'IA reconnaît que ces quatre éléments appartiennent à la même personne car elle comprend ce qu'EST chaque texte, pas seulement où il se trouve. Lorsque vous saisissez les noms de colonnes « Nom du candidat », « E-mail », « Téléphone » et « URL LinkedIn », l'IA parcourt toute la page sémantiquement : elle identifie les motifs d'e-mail, les formats de numéro de téléphone et les structures d'URL LinkedIn, puis les attribue au profil du candidat au lieu de les traiter comme des fragments de texte déconnectés. Le résultat est une ligne de candidat complète avec chaque champ de contact rempli dans la bonne colonne — aucune correction manuelle nécessaire pour les erreurs d'attribution qui affligent les analyseurs linéaires.

Les CV modernes présentent souvent l'historique professionnel sous forme de frise chronologique : nom de l'employeur et dates alignés à gauche, intitulé du poste et description en retrait à droite. L'IA lit le regroupement visuel — elle comprend que « Juin 2019 — Aujourd'hui | Ingénieur logiciel senior | TechCorp » forme un bloc d'expérience, tandis que le bloc suivant en dessous démarre un nouveau poste. Chaque triplet employeur, titre et date reste ensemble comme un enregistrement cohérent dans la sortie. Les CV multipages sont traités de la même manière : l'IA continue de lire la structure chronologique à travers les sauts de page, de sorte qu'un candidat avec 15 ans d'expérience chez trois employeurs sur deux pages produit trois entrées d'expérience claires — et non un bloc de texte fusionné couvrant tous les postes. Pour les postes où la formation est présentée dans une barre latérale ou une section inférieure visuellement séparée, le diplôme et l'établissement sont correctement attribués à la colonne Formation plutôt que d'être lus comme faisant partie de l'entrée d'emploi la plus récente.