Le graphe en chiffres.
Snapshot du 14 mai 2026 · Mise à jour mensuelle
Les cinq référentiels.
Pourquoi joindre ce qui n'a jamais été joint avant.
ESCO
Standard européen officiel. Maintenu par la Commission européenne. Référentiel privilégié pour la mobilité intra-EU.
ROME
Référentiel France Travail (ex-Pôle Emploi). 532 fiches métier, structurant pour les RH françaises.
O*NET
US Department of Labor. Le référentiel le plus riche en données comportementales. Utilisé par tous les ATS US.
COMPETENT
Référentiel France domestique sectoriel. Couvre les compétences professionnelles transverses non couvertes par ROME.
Singapore SSF
Skills Framework gouvernemental de Singapour. Référence en Asie du Sud-Est, modèle pour le SkillsFuture.
Skill Trees.
Une compétence n'apparaît jamais seule. Elle a des prérequis.
La plupart des graphes de compétences sont des listes plates : un sac de mots avec des synonymes. Le graphe Skillberg ajoute une dimension fondamentale — l'ordre prérequis.
Pour maîtriser Deep Learning, il faut d'abord Calcul matriciel, Programmation Python, Statistiques bayésiennes. Ces prérequis ne sont pas hard-codés : ils sont auto-générés par notre algorithme à partir d'un corpus de programmes de formation, d'offres d'emploi, et de validations expertes.
Cette IP — les Skill Trees et leurs algorithmes de génération — est ce qui permet à Skillberg de répondre à des questions qu'aucune autre plateforme ne peut traiter : « Quel est le chemin le plus court pour qu'un développeur PHP devienne Data Engineer ? » ou « Quelles formations dois-je financer pour combler ce gap de compétences en 18 mois ? »
Inventé par le Dr. Martin Vielvoye pendant son doctorat en IA et neurosciences. Au cœur du graphe Skillberg depuis le jour 1.
Comment on a construit le graphe.
Vingt-quatre mois de R&D CIFRE, trois sources, deux niveaux de validation.
Ingestion brute
Import des 5 référentiels officiels via leurs APIs publiques. Normalisation en URIs canoniques skillberg://skill/{uuid} et skillberg://occupation/{uuid}.
Enrichissement Mistral
Génération de descriptions multilingues, niveaux de proficiency, et embeddings 1536-dim via Mistral (LLM européen, hébergé en UE).
Jointure cross-standard
Algorithme propriétaire de matching sémantique entre référentiels, combinant embeddings + règles linguistiques + métadonnées officielles. 18 073 junctions ainsi produites.
Validation experte
Chaque junction proposée par l'algo est revue par un binôme expert métier + ingénieur. Taux de validation actuel : 87 % des propositions algorithmiques.
Pipeline complet documenté dans le whitepaper. Données disponibles pour reproductibilité partielle sur demande académique.
Skillberg vs construction interne vs concurrents.
Pourquoi 25 à 40× moins cher que de le construire soi-même.
Estimation « build interne » basée sur une équipe data + un ingénieur senior + 18 mois de mise en route. Hypothèses détaillées dans le whitepaper.
Schéma graphe.
Trois types de nœuds, six types d'arêtes. Stable depuis v1.0.
(:Skill {uri, label, referentials[], proficiency_levels[]})(:Occupation {uri, label, isco_codes[], rome_code, esco_code})(:Referential {name, version, last_sync})(:Skill)-[:PREREQUISITE_OF]->(:Skill)(:Skill)-[:BROADER_THAN]->(:Skill)(:Skill)-[:NARROWER_THAN]->(:Skill)(:Skill)-[:CO_OCCURS_WITH]->(:Skill)(:Skill)-[:JOINS_VIA]->(:Skill) // cross-standard(:Occupation)-[:REQUIRES]->(:Skill)
Exemple de requête.
Tous les prérequis directs et indirects de Deep Learning :
Accès Cypher disponible sur tier EnterpriseMATCH p = (s:Skill)-[:PREREQUISITE_OF*1..3]->(t:Skill {label:'Deep Learning'})RETURN s.label, length(p) as depthORDER BY depth ASC
Whitepaper : Construire un graphe de compétences canonique.
Architecture, méthodologie, métriques de validation, reproductibilité. 24 pages, en français.
Télécharger le whitepaper (PDF)Explorer le graphe en direct.
La console Skillberg permet de naviguer le graphe interactivement. Recherche, fiches, voisinage, prérequis. Gratuit après création d'un compte.
Ouvrir la console