GLOSSAIRE
Base vectorielle (recherche vectorielle)
Une base vectorielle stocke les données (CV, missions) sous forme de vecteurs numériques qui capturent leur sens. Elle permet la recherche sémantique : trouver les profils par similarité de sens et non par mots-clés exacts.
EN DÉTAIL
Une base de données vectorielle stocke chaque document (CV, fiche candidat, description de mission) sous forme d'embedding : un vecteur de nombres produit par un modèle d'IA, qui capture le sens du texte. Deux textes proches en sens produisent des vecteurs proches, même s'ils ne partagent aucun mot : « dev fullstack JS » et « ingénieur React/Node » se retrouvent voisins dans l'espace vectoriel. C'est la technologie qui rend possible la recherche sémantique et le matching IA : au lieu de filtrer sur des mots-clés exacts (approche Boolean, qui plafonne autour de 65 % de précision), le moteur classe les profils par similarité de sens avec la mission, avec une précision dépassant 90 % sur données complètes. Pour un cabinet ou une ESN, l'enjeu est concret : une CVthèque indexée vectoriellement se requête en langage naturel et révèle des profils que les filtres classiques ratent. Les plateformes AI-native comme Cobalt intègrent l'indexation vectorielle au cœur de leur architecture, là où les ATS legacy la greffent en add-on avec un accès partiel aux données.
Questions fréquentes
Parce qu'elle comprend les synonymes et le contexte métier sans configuration : une recherche « architecte backend JavaScript » remonte aussi les « lead développeurs Node », que le Boolean search aurait ratés. Résultat : plus de profils pertinents trouvés dans votre propre vivier, avant même de sourcer à l'extérieur.
Si vous voulez une recherche sémantique et un matching IA fiables, oui : c'est la fondation technique. La question à poser à votre éditeur : l'indexation vectorielle est-elle native et appliquée à toutes les données, ou limitée à un module de matching en add-on ?
Termes liés
- Sourcing sémantiqueLe sourcing sémantique utilise l'IA pour comprendre le sens des requêtes en langage naturel (ex: "DevOps AWS 5 ans Paris disponible mars") et retrouver les candidats pertinents sans Boolean search.
- Matching IA (candidat-mission)Le matching IA utilise des modèles d'apprentissage pour évaluer la pertinence d'un candidat sur une mission en croisant skills, expérience, disponibilité et fit culturel. Il remplace le Boolean search.
- Parsing CVLe parsing CV extrait automatiquement les informations d'un CV (contact, expériences, skills, formation) pour les structurer dans un ATS. L'IA moderne atteint >95% de précision.
- Boolean Search (recherche booléenne)La recherche booléenne utilise les opérateurs AND, OR, NOT et les guillemets pour filtrer des candidats dans un ATS ou sur LinkedIn. En 2026, elle est largement remplacée par la recherche sémantique IA.
Prêt à passer à un ATS AI-first ?
Réservez une démo Cobalt 30 min pour voir comment les concepts ci-dessus s'appliquent à votre ESN ou cabinet.
Réserver une démo