Présélection de CV équitable

Trier des candidatures prend du temps, et un modèle de langage peut aider à lire vite et à justifier une première appréciation. Mais un outil de présélection peut aussi reproduire, à grande échelle, des discriminations liées au nom, au genre, à l'âge ou à l'origine. Ce lab construit un assistant utile et contrôlé : il note des CV fictifs critère par critère, ne voit jamais les attributs sensibles, cite ses preuves, et ne décide de rien.

Ce que vous allez construire

flowchart LR
  CV["CV fictif (identité + sections)"] --> AN["anonymiser() : liste blanche de sections, nom, contacts, accords"]
  AN --> G{"before_model_callback garde_anonymat : attribut sensible présent ?"}
  G -->|"oui"| X["appel BLOQUÉ (PermissionError)"]
  G -->|"non"| M["evaluateur Gemini : output_schema EvaluationCV"]
  M --> S["scorer() : score pondéré, preuves vérifiées"]
  S --> H["revue_humaine.csv : statut en_attente_revue_humaine"]

Anonymisation par liste blanche : seules les sections expérience, compétences, formation et langues passent ; le nom, les contacts et les accords grammaticaux de genre sont neutralisés.
Un callback qui bloque l'appel au modèle si un attribut sensible du CV d'origine apparaît encore dans la requête.
Une sortie structurée : une note de 0 à 3 et une justification avec citation par critère de la fiche de poste.
Le score et la tranche sont calculés en Python, et chaque dossier reste en attente de revue humaine.
Une évaluation réelle : accord avec un recruteur fictif et test de cohérence en permutant noms et genres.

Pour qui ?

Développeurs et équipes data qui conçoivent des outils RH, et toute personne qui veut voir concrètement ce que « contrôles d'équité » veut dire dans du code.
Prérequis : un agent ADK avec output_schema, les bases de pytest.

Prérequis

Python 3.10+, pip install -r files/requirements.txt (google-adk 2.10.0).
Une clé d'API Gemini dans un fichier .env (modèle : .env.example).

Programme

Module	Leçon	Ce que vous faites
1. Cas d'usage et architecture	Un outil d'aide, pas de décision	Risques, cadre, architecture, données fictives
2. Construire pas à pas	Anonymiser et bloquer les fuites	Liste blanche, `before_model_callback`
2. Construire pas à pas	Noter par critère, scorer en code	`output_schema`, preuves vérifiées, revue humaine
3. Tester, évaluer, exploiter	Évaluer l'équité pour de vrai	Tests sans clé, permutations, accord avec un recruteur

En local ou sur GCP ?

	En local (ce lab)	Sur Google Cloud
Modèle	Gemini via clé d'API	Gemini via Vertex AI, données traitées dans la région choisie
Données	6 CV fictifs en JSON	CV réels : base légale, information des candidats, durée de conservation
Traçabilité	`rapport_evaluation.json`, `revue_humaine.csv`	journalisation des versions de prompt, de modèle et des décisions humaines

Le code

Dans le dossier files/ : agent.py, evaluation.py, test_agent.py, cvs.json, fiche_poste.json, reference.json, rapport_evaluation.json (résultat réel), requirements.txt.