Housing Compass - um serviço que estrutura anúncios de moradia pública por aluguel com IA

Olá. Estou criando o Housing Compass, um serviço que reúne anúncios de moradia pública por aluguel, como os da LH, SH e GH, e usa IA para analisar editais complexos de recrutamento.

Por que criei isso

Ao me interessar por moradias públicas por aluguel e acompanhar os anúncios por conta própria, percebi que o acesso à informação é mais difícil do que parece.

Cada órgão publica os anúncios em formatos diferentes, e os editais de recrutamento costumam ser enviados em PDFs/HWPs com dezenas de páginas, enquanto as informações que eu realmente preciso ver ficam espalhadas.

Por exemplo:

• data de início das inscrições e prazo final
• tipos de oferta, como jovens, recém-casados e idosos
• critério de renda
• critério de patrimônio
• exigência de não possuir imóvel
• itens de pontuação adicional
• data de divulgação dos selecionados
• documentos a serem enviados

Para encontrar essas informações, eu precisava abrir editais longos toda vez, pesquisar, ler tabelas e lembrar das datas separadamente.
Criei o Housing Compass porque queria reduzir esse processo.

Principais recursos

1. Análise de editais com IA

Extraímos e estruturamos as informações principais de PDFs/HWPs/anexos dos editais de recrutamento.

Mais do que um simples resumo, estamos focando em transformá-los em “dados que podem ser pesquisados/filtrados/comparados”.

Por exemplo, a IA extrai itens como:

• elegibilidade para candidatura
• critério de renda
• critério de patrimônio
• condições de residência/local de trabalho
• exigências da conta de poupança para habitação
• cronograma de recrutamento
• depósito caução do aluguel/aluguel mensal
• lista de moradias ofertadas
• condições que exigem atenção
• localização no texto original que serve de base

Antes de ler um edital longo do começo ao fim, o usuário pode julgar rapidamente se “é um anúncio que vale a pena analisar para o seu caso”.

2. Calendário de datas

Passei a mostrar em um calendário a data do anúncio, início das inscrições, prazo final das inscrições, data de envio de documentos, data de divulgação dos selecionados etc.

Nos anúncios de moradia pública por aluguel, as condições já são difíceis, mas perder prazos também é um problema bem sério, então estou dando bastante importância à UX do calendário.

3. Filtro por região/tipo

Você pode ver apenas a região e o tipo de aluguel que deseja.

Por exemplo, é possível reduzir os anúncios com critérios como Seul/Gyeonggi, jovens, recém-casados, habitação de felicidade (Happy Housing) e aluguel nacional.

4. App mobile e widget de tela inicial no Android

Também oferecemos apps para iOS/Android.

Criamos um widget de tela inicial para mostrar imediatamente os principais prazos dos anúncios de seu interesse.
Ele serve para conferir informações como o prazo final de inscrição sem precisar abrir o app toda vez.

Como a análise com IA foi implementada

Atualmente, o pipeline funciona mais ou menos assim.

1. coleta periódica dos quadros de avisos de anúncios de cada órgão
2. download do texto do anúncio e dos anexos em PDF/HWP/Excel
3. extração de texto e tabelas dos documentos
4. divisão de documentos longos em chunks para análise
5. extração estruturada em JSON com LLM de metadados, informações das moradias, critérios de elegibilidade, cronograma e opinião da IA
6. validação dos resultados extraídos com schema
7. em parte dos anúncios, criação de um golden set para comparar/avaliar a qualidade da extração

No começo, era algo mais próximo de “gerar um único resumo”, mas ao usar na prática percebi que mais importante do que o resumo eram os dados normalizados.

Por exemplo, em vez de apenas resumir uma frase como “até 100% da renda média mensal de trabalhadores urbanos”, era muito mais útil separar e inserir no campo de condição de renda a porcentagem, os valores por número de membros da família e as condições de exceção.

Além disso, as tabelas dos editais muitas vezes eram complicadas. Em alguns casos, o mesmo tipo de moradia era dividido em várias condições de aluguel, ou a linha seguinte da tabela era continuação da linha anterior, então mantemos uma lógica separada de pós-processamento e validação para evitar a criação de moradias duplicadas.

As chamadas de modelo foram separadas em uma camada compatível com OpenAI/OpenRouter, e, quando o documento é curto, a análise é feita de uma vez; quando é longo, operamos dividindo o processamento entre metadados, informações da moradia e opinião da IA.

Pontos que ainda estou avaliando

É difícil dizer que o resultado da análise com IA está 100% correto. Por isso, atualmente mostramos junto o link do edital original e seguimos a direção de permitir que o usuário confirme as informações importantes no texto original.

Em especial, estou pensando nos seguintes pontos.

• até que ponto dá para estruturar com estabilidade as tabelas dos editais
• que tipo de UX seria melhor para permitir que o usuário julgue com mais segurança se “se encaixa nas condições”
• qual seria a melhor forma de expor as frases de evidência do resultado da análise com IA
• como atualizar/comparar os resultados de análise existentes quando o anúncio for alterado
• como mostrar condições de elegibilidade complexas no mobile sem deixar a experiência muito sufocante

É um projeto que começou a partir de um incômodo que vivi na prática e que venho aprimorando continuamente.

Ficarei realmente muito grato por qualquer feedback, seja sobre o layout do serviço, a forma de análise com IA, a tela de detalhes do anúncio, a UX mobile ou qualquer outro ponto de vista.

[ Housing 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]

Como vocês implementaram o chat de perguntas para a IA?

[recast7838]

Parece haver um problema em que as seções de encerramento iminente e inscrição prevista ficam ocultas no modo escuro.