ИИ-теги для вакансий вместо бесконечного листания

От фильтров к смысловым меткам

Меня здесь цепляет не слово ИИ, а правильная постановка задачи: обычные фильтры не позволяли найти очень специфическую работу без долгого просмотра ленты. В исходном сообщении автора проекта в обсуждении сообщества кейс описан предельно практично: инструмент появился во время поиска работы и автоматически тегировал объявления.

На момент опубликованного сообщения проект уже работал с вакансиями, а затем автор решил расширить его до произвольных форматов данных, открыть исходный код и развивать отдельный сервис с дополнительными функциями. Точная календарная дата в исходных данных не указана, поэтому это не релиз с зафиксированной версией, а ранний инженерный кейс.

Технически ценность не в генерации текста, а в переводе неструктурированного объявления в набор пригодных для поиска признаков. Я бы разделял такую систему на прием данных, нормализацию полей, присвоение меток и поисковый слой; иначе поддержка новых форматов быстро превратится в набор исключений. Для вакансий особенно важно не смешивать должность, навыки, уровень, формат работы и прочие критерии в одну непрозрачную оценку.

Первой проверкой для меня была бы не красота интерфейса, а качество редких запросов, ради которых проект и возник. Затем нужны разбор ошибок тегирования, удаление дублей и понятное объяснение, почему конкретное объявление попало в выборку. Иначе ИИ лишь заменит ручное листание ручной перепроверкой результатов.

Что действительно меняется

Главный эффект здесь реальный: пользователь формулирует узкое намерение, а система сводит разнородные объявления к сопоставимым меткам. Это полезнее очередного фильтра по ключевому слову, если нужный признак описан разными формулировками.

Но расширение на любые данные резко повышает сложность. У вакансий есть относительно понятные сущности, а в другом формате потребуется новая схема меток, правила нормализации и собственная оценка качества. Универсальность здесь легко становится обещанием, которое ломается на первом нестандартном документе.

Открытый код может сделать качество видимым: можно обсуждать схему меток, пограничные случаи и поведение на редких данных. Но сам по себе он не решает проблему доступа к объявлениям, изменений форматов и дрейфа языка. Я бы следил именно за этим, а не за количеством поддерживаемых источников.

Этот проект выглядит не как магия вокруг модели, а как попытка убрать конкретную рутину. Победит здесь не самая умная модель, а система, которая стабильно превращает грязный вход в объяснимые метки.

Мы также рассматривали, как измерять надёжность LLM в задачах контроля качества с помощью IRT-метрик. Это напрямую касается проверки точности тегов, которые ИИ присваивает вакансиям.