Des tags IA pour l'emploi plutôt qu'un défilement sans fin

Des filtres aux étiquettes sémantiques

Ce qui importe ici n'est pas le mot IA, mais la bonne formulation du problème : les filtres habituels ne permettaient pas de trouver des postes très précis sans parcourir longuement les annonces. Dans le message initial de l'auteur au sein de sa communauté, le cas est présenté de façon très concrète : l'outil est né pendant une recherche d'emploi et attribuait automatiquement des tags aux annonces.

Au moment de la publication, le projet fonctionnait déjà avec des offres d'emploi. L'auteur a ensuite décidé de l'étendre à des formats de données arbitraires, d'ouvrir le code source et de développer un service distinct avec des fonctionnalités supplémentaires. Aucune date précise n'est indiquée dans les données d'origine : il s'agit donc d'un premier cas d'ingénierie, et non d'une version associée à une date de sortie.

Techniquement, la valeur ne réside pas dans la génération de texte, mais dans la transformation d'une annonce non structurée en attributs exploitables par la recherche. Je séparerais un tel système entre ingestion des données, normalisation des champs, attribution des tags et couche de recherche ; sinon, la prise en charge de nouveaux formats devient vite une accumulation d'exceptions. Pour les offres d'emploi, il est particulièrement important de ne pas fondre l'intitulé du poste, les compétences, le niveau, le mode de travail et les autres critères dans un score opaque unique.

Le premier test ne devrait pas être l'esthétique de l'interface, mais la qualité des requêtes rares à l'origine du projet. Ensuite, il faut analyser les erreurs de taggage, supprimer les doublons et expliquer clairement pourquoi une annonce donnée apparaît dans les résultats. Sans cela, l'IA ne fait que remplacer le défilement manuel par une vérification manuelle des résultats.

Ce qui change réellement

L'effet principal est réel : l'utilisateur exprime une intention précise et le système ramène des annonces hétérogènes à des étiquettes comparables. C'est plus utile qu'un filtre supplémentaire par mot-clé lorsque la caractéristique recherchée est formulée de plusieurs manières.

Mais l'extension à tous types de données augmente fortement la complexité. Les offres d'emploi possèdent des entités relativement claires ; un autre format exigera un nouveau schéma de tags, des règles de normalisation et sa propre évaluation de qualité. L'universalité peut facilement devenir une promesse qui échoue face au premier document atypique.

Le code ouvert peut rendre la qualité visible : il devient possible de discuter du schéma de tags, des cas limites et du comportement sur des données rares. Mais il ne résout pas à lui seul l'accès aux annonces, les changements de format ou la dérive du langage. Ce sont ces aspects qu'il faut suivre, plutôt que le nombre de sources prises en charge.

Ce projet ressemble moins à de la magie autour d'un modèle qu'à une tentative d'éliminer une tâche répétitive précise. Le gagnant ne sera pas le modèle le plus intelligent, mais le système qui transforme régulièrement des entrées désordonnées en étiquettes explicables.

Nous avons également étudié comment mesurer la fiabilité des LLM dans les tâches de contrôle qualité à l'aide de métriques IRT. Cela concerne directement la vérification de la précision des tags attribués par l'IA aux offres d'emploi.