CorroborIA – Corroboration intelligente RH

Inspiration

Chez Loto-Québec, les données RH sont transférées vers le système de gestion du temps. Une comparaison « identique / différent » signale des centaines d'écarts, mais la plupart sont légitimes (formats, transformations prévues par le mapping). Les vérifier à la main prend du temps et dépend de l'expertise de chacun.

Ce que fait CorroborIA

CorroborIA compare chaque affectation, champ par champ, en trois niveaux :

Comparaison brute et normalisation (dates, booléens, encodage) → Conforme
Règles métier du mapping (type de contrat, situation d'emploi, concaténations, dates d'effet…) → Conforme, Écart justifié ou Anomalie
Analyse IA des cas ambigus : des preuves sont calculées sur tout le jeu de données (transcodage systémique, permutation entre employés, valeur par défaut, historique du poste…), puis un LLM (Claude) et un arbitre local tranchent avec un niveau de confiance.

Résultat sur le jeu fourni : 211 différences brutes → 383 contrôles conformes, 152 écarts justifiés et 16 vraies anomalies (11 employés), triées par priorité.

Chaque verdict indique la règle appliquée, la trace du calcul, les preuves, l'origine de la décision (règle ou IA) et une action recommandée. Un expert peut corriger un verdict ; la correction devient une règle apprise.

Comment nous l'avons construit

Python, pandas, SciPy (appariement des affectations multiples), openpyxl, Streamlit pour le démonstrateur, API Claude d'Anthropic pour le niveau IA (sortie JSON contrainte, matricules pseudonymisés), avec un repli entièrement hors ligne. 25 tests automatisés.

Défis rencontrés

La règle de la date d'effet du poste était ambiguë : la lecture littérale ne concordait avec aucune ligne. Nous avons testé les deux interprétations sur les données et documenté notre choix (paramétrable).
Distinguer un artefact systémique (ex. codes transcodés sur 100 % des lignes) d'une vraie erreur.