sentence-transformers How to use fabskill/job_and_title_siamese_binary with sentence-transformers:
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("fabskill/job_and_title_siamese_binary")
sentences = [
"Chef de file figuration",
"des données massives gérer une base de données numériques créer une documentation technique relation clientrecueillir et analyser les besoins client identifier les besoins en logiciel apporter une assistance technique aux équipes assurer un rôle de support avant-vente développement commercialprésenter et valoriser un produit ou un service répondre à un appel d'offre stratégie de développementpiloter une activité concevoir et gérer un projet managementanimer, coordonner une équipe allouer et organiser les ressources d'un projet selon les besoins et contraintes conseil, transmissionconseiller une organisation, une structure accompagner l'appropriation d'un outil",
"• accès à l'emploi ce métier est accessible avec un diplôme de niveau cap à bac (bac professionnel, brevet de compagnon,...) en sellerie, en confection de chaussures, en maroquinerie,... compétences savoir-faire production, fabricationréaliser la préparation de pièces par parage sélectionner les matières premières à mobiliser réaliser les opérations de coupe de matériaux (positionnement de gabarit,...) manuellement ou à l'aide d'une machine assembler (collage, couture) les pièces de l'article (tige, soufflet) manuellement ou à",
"ec responsable marketing définition définit et met en oeuvre la stratégie marketing (tarifs, promotion, communication, gammes de produits, supports techniques,...) pour l'ensemble des produits de l'entreprise. • peut diriger un service ou coordonner l'activité d'une équipe. • accès à l'emploi ce métier est accessible à partir d'un master (m1, master professionnel, diplôme d'école de commerce,...) dans un secteur technique ou commercial, complété par une expérience professionnelle en tant que chef de produit ou chef de groupe. la pratique d'une langue étrangère"
]
embeddings = model.encode(sentences)
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [4, 4] 
