Jugeo Compass - un service qui structure avec l’IA les annonces de logements locatifs publics

Bonjour. Je développe Jugeo Compass, un service qui regroupe les annonces de logements locatifs publics de LH, SH, GH, etc., et qui analyse avec l’IA des avis de recrutement complexes.

Pourquoi je l’ai créé

En m’intéressant aux logements locatifs publics et en suivant moi-même les annonces, j’ai constaté que l’accès à l’information était plus difficile que prévu.

Le format des annonces varie selon les organismes, et les avis de recrutement sont publiés sous forme de PDF/HWP de plusieurs dizaines de pages, alors que les informations que je dois réellement consulter sont dispersées.

Par exemple :

• date d’ouverture des candidatures et date limite
• type d’attribution : jeunes, jeunes mariés, personnes âgées, etc.
• critères de revenu
• critères de patrimoine
• condition de non-propriété d’un logement
• critères de points supplémentaires
• date d’annonce des résultats
• pièces à fournir

Pour trouver ces informations, il fallait à chaque fois ouvrir de longs avis, faire des recherches, lire des tableaux et retenir séparément les dates.
J’ai créé Jugeo Compass pour réduire cette charge.

Fonctionnalités principales

1. Analyse IA des avis

Le service extrait et structure les informations clés à partir des avis de recrutement en PDF/HWP et des pièces jointes.

Plutôt que de faire un simple résumé, je me concentre sur la transformation en « données consultables, filtrables et comparables ».

Par exemple, l’IA extrait les éléments suivants :

• conditions d’éligibilité
• critères de revenu
• critères de patrimoine
• conditions de résidence / lieu de travail
• conditions liées au compte d’épargne logement
• calendrier de recrutement
• dépôt de garantie / loyer mensuel
• liste des logements proposés
• points de vigilance
• emplacement des passages sources dans le document original

Avant même de lire l’avis complet, l’utilisateur peut ainsi déterminer rapidement s’il s’agit d’une annonce qui vaut la peine d’être examinée.

2. Calendrier des échéances

J’ai également rendu visibles dans un calendrier la date de publication, l’ouverture des candidatures, la date limite, la date de dépôt des documents, la date d’annonce des résultats, etc.

Dans les annonces de location publique, les conditions sont complexes, mais rater une échéance est aussi un vrai problème. C’est pourquoi j’accorde une grande importance à l’UX du calendrier.

3. Filtres par région et par type

Il est possible de n’afficher que la région et le type de location souhaités.

Par exemple, on peut réduire les annonces selon des critères comme Séoul / Gyeonggi, jeunes, jeunes mariés, logements Happy Housing, location nationale, etc.

4. Application mobile et widget Android sur l’écran d’accueil

Des applications iOS et Android sont également proposées.

J’ai aussi créé un widget d’écran d’accueil permettant de voir immédiatement les principales échéances des annonces suivies.
Il sert à consulter des informations comme la date limite de candidature sans avoir à ouvrir l’application à chaque fois.

Comment l’analyse IA a été mise en œuvre

À l’heure actuelle, le pipeline fonctionne globalement ainsi :

1. collecte régulière des tableaux d’annonces de chaque organisme
2. téléchargement du texte de l’annonce et des pièces jointes PDF/HWP/Excel
3. extraction du texte et des tableaux des documents
4. découpage des documents longs en chunks pour l’analyse
5. extraction via LLM des métadonnées, informations sur les logements, conditions d’éligibilité, calendrier et avis IA sous forme de JSON structuré
6. validation des résultats extraits à l’aide d’un schéma
7. création d’un golden set pour certaines annonces afin de comparer et d’évaluer la qualité de l’extraction

Au début, c’était assez proche de « produire un seul résumé », mais à l’usage, j’ai constaté que les données normalisées étaient plus importantes que le résumé.

Par exemple, pour une phrase comme « revenu mensuel moyen des travailleurs urbains inférieur ou égal à 100 % », il était bien plus utile de séparer dans le champ des conditions de revenu le pourcentage, les montants selon la taille du foyer et les conditions d’exception, plutôt que de simplement résumer la phrase.

Les tableaux des avis étaient aussi souvent difficiles à traiter. Il arrive qu’un même type de logement soit décliné selon plusieurs conditions locatives, ou que la ligne suivante d’un tableau soit la continuation de la précédente. J’ai donc mis en place une logique distincte de post-traitement et de validation afin d’éviter de créer des logements en doublon.

Les appels au modèle sont séparés via une couche compatible OpenAI/OpenRouter ; si le document est court, il est analysé en une seule fois, et s’il est long, le traitement est réparti entre métadonnées, informations sur les logements et avis IA.

Points encore en réflexion

Il est difficile d’affirmer que les résultats de l’analyse IA sont exacts à 100 %. C’est pourquoi, pour le moment, ils sont affichés avec un lien vers l’annonce d’origine, et je conserve une approche qui permet à l’utilisateur de vérifier les informations importantes dans la source originale.

Les questions que je me pose particulièrement sont les suivantes :

• jusqu’où peut-on structurer de manière fiable les tableaux des avis ?
• quel type d’UX permettrait aux utilisateurs de juger plus sûrement si une annonce correspond à leur situation ?
• sous quelle forme exposer plus efficacement les phrases sources qui justifient les résultats de l’analyse IA ?
• comment mettre à jour et comparer les résultats existants lorsqu’une annonce est modifiée ?
• comment afficher sur mobile des conditions d’éligibilité complexes sans que cela devienne trop contraignant ?

C’est un projet que je fais évoluer en continu, à partir d’une difficulté que j’ai moi-même rencontrée.

Je vous serais vraiment reconnaissant pour tout retour, quel que soit l’angle : mise en page du service, méthode d’analyse IA, écran de détail des annonces, UX mobile, etc.

[ Jugeo Compass ]
Web: https://jugeo.co.kr
iOS: https://apps.apple.com/kr/app/…
Android: https://play.google.com/store/apps/details?id=kr.housingcompass.app

[bluekai17]

Comment avez-vous implémenté le chat de questions avec l’IA ?

[recast7838]

Il semble qu’il y ait un problème en mode sombre : les sections « Bientôt clôturé » et « Candidature prévue » sont masquées.