Critères regardés (axes)
Axe horizontal →
Axe vertical ↑
Le réseau voit les 7 critères à la fois. Ces 2 axes servent juste à dessiner sa décision en 2D (une tranche). Choisis salaire × compétences → la zone « pour moi » apparaît. Choisis la longueur du titre → aucune frontière nette : c'est un leurre .
Échantillon d'offres
Nombre d'offres 120
Exemples contradictoires 0.05
% d'offres dont on inverse le verdict (OUI↔NON), comme si tes goûts se contredisaient. Plus c'est haut, moins l'IA peut atteindre 100 %.
Réseau
+ couche
− couche
Activation cachée
tanh ReLU
Taux d'apprentissage 0.316
▶ Apprendre
⏭ 1 pas
↺ Oublier (reset poids)
🔀 Nouvel échantillon
Verdict
Le label « pour moi » vient de ton scoring (salaire, compétences, séniorité, télétravail, proximité Valence, contrat). Le réseau ne connaît pas la règle — il la déduit des exemples.
120 vraies offres, notées OUI / NON selon tes critères (salaire, compétences, séniorité, télétravail, proximité, contrat). Clique ▶ Apprendre : le réseau découvre la règle en direct. Piège : un critère est un leurre (longueur du titre) — il doit apprendre à l'ignorer.
Bordure gauche = verdict prédit par l'IA
✓ correct
✗ erreur (vs ton scoring)
Le réseau (poids en cours d'ajustement)
Carte de décision (tranche 2D)
Teste une offre
—
règle les curseurs ci-dessous
Ce que l'IA regarde (sensibilité)
Points de précision perdus si on masque ce critère (remplacé par sa moyenne). Après apprentissage, les vrais critères pèsent fort ; le leurre tombe à 0 — l'IA ne s'en sert pas.
Apprentissage
perte
précision
Répartition prédite