Jugeo Compass - एक सेवा जो public rental housing घोषणाओं को AI की मदद से structured रूप में दिखाती है

नमस्ते। मैं Jugeo Compass बना रहा/रही हूँ, एक ऐसी सेवा जो LH, SH, GH आदि public rental housing घोषणाओं को एक जगह इकट्ठा करके दिखाती है और जटिल भर्ती/आवेदन नोटिसों का AI से विश्लेषण करती है.

इसे बनाने की वजह

जब मैंने public rental housing में रुचि लेकर खुद नोटिस देखने शुरू किए, तो महसूस हुआ कि जानकारी तक पहुंचना उम्मीद से ज्यादा कठिन है.

हर संस्था का नोटिस फ़ॉर्मैट अलग होता है, और भर्ती नोटिस PDF/HWP में कई बार दर्जनों पन्नों के रूप में अपलोड होते हैं, लेकिन असल में जो जानकारी मुझे देखनी होती है वह इधर-उधर बिखरी रहती है.

उदाहरण के लिए:

• आवेदन शुरू होने की तारीख
• आवेदन की अंतिम तारीख
• युवा/नवविवाहित दंपति/वरिष्ठ नागरिक आदि supply types
• आय मानदंड
• asset criteria
• बिना घर के होने की शर्त
• अतिरिक्त अंक के मानदंड
• चयनित आवेदकों की घोषणा की तारीख
• जमा किए जाने वाले दस्तावेज़

ऐसी जानकारी खोजने के लिए हर बार लंबा नोटिस खोलना, उसमें खोज करना, टेबल पढ़ना और तारीखें अलग से याद रखनी पड़ती थीं.
मैंने इसी प्रक्रिया को कम करने के लिए Jugeo Compass बनाया.

मुख्य फीचर्स

1. नोटिस का AI विश्लेषण

भर्ती नोटिस PDF/HWP/attachment files से मुख्य जानकारी निकालकर उसे structured form में बदलता है.

सिर्फ summary बनाने की बजाय, मेरा फोकस इसे “ऐसे डेटा” में बदलने पर है जिसे search/filter/compare किया जा सके.

उदाहरण के लिए, AI इन जैसे items निकालता है:

• आवेदन योग्यता
• आय मानदंड
• asset criteria
• निवास/कार्यस्थल की शर्तें
• housing subscription account की शर्तें
• भर्ती/आवेदन schedule
• rental deposit/monthly rent
• उपलब्ध housing units की सूची
• ध्यान देने योग्य शर्तें
• मूल दस्तावेज़ में आधार का स्थान

इससे उपयोगकर्ता लंबे नोटिस को शुरू से पढ़ने से पहले जल्दी तय कर सकते हैं कि “क्या यह नोटिस मेरे काम का है”.

2. schedule calendar

नोटिस प्रकाशित होने की तारीख, आवेदन शुरू होने की तारीख, आवेदन की अंतिम तारीख, दस्तावेज़ जमा करने की तारीख, चयनित आवेदकों की घोषणा की तारीख आदि को कैलेंडर में देखा जा सकता है.

Public rental housing नोटिसों में शर्तें समझना जितना मुश्किल है, उतना ही बड़ी समस्या deadlines miss करना भी है, इसलिए calendar UX को मैं बहुत महत्वपूर्ण मानता/मानती हूँ.

3. क्षेत्र/प्रकार फ़िल्टर

आप सिर्फ वही क्षेत्र और rental types देख सकते हैं जो आप चाहते हैं.

उदाहरण के लिए, Seoul/Gyeonggi, youth, newly married couples, Happy Housing, National Rental जैसे मानदंडों के आधार पर नोटिसों को सीमित किया जा सकता है.

4. मोबाइल ऐप और Android home screen widget

मैं iOS/Android ऐप भी उपलब्ध करा रहा/रही हूँ.

Home screen widget के जरिए रुचि वाले नोटिसों के मुख्य schedules सीधे देखे जा सकते हैं.
ऐप को हर बार खोले बिना आवेदन की अंतिम तारीख जैसी जानकारी देखने के लिए इसे बनाया गया है.

AI विश्लेषण कैसे implement किया

अभी pipeline लगभग इस तरह काम करती है.

1. अलग-अलग संस्थाओं के नोटिस बोर्ड को नियमित रूप से collect करना
2. नोटिस के मुख्य भाग और attachment files PDF/HWP/Excel डाउनलोड करना
3. दस्तावेज़ से text और tables extract करना
4. लंबे documents को chunk units में बांटकर विश्लेषण करना
5. LLM की मदद से metadata, housing information, eligibility conditions, schedules और AI opinions को structured JSON में extract करना
6. extracted results को schema के आधार पर validate करना
7. कुछ नोटिसों के लिए golden set बनाकर extraction quality की compare/evaluate करना

शुरुआत में यह “एक summary बनाना” जैसी चीज़ थी, लेकिन इस्तेमाल करने पर समझ आया कि summary से ज्यादा महत्वपूर्ण normalized data है.

उदाहरण के लिए, “urban workers की monthly average income के 100% से कम” जैसे वाक्य को सिर्फ summarize करने की बजाय, income condition field के भीतर प्रतिशत, परिवार के सदस्यों की संख्या के अनुसार रकम, और exception conditions को अलग-अलग रखना कहीं ज्यादा उपयोगी था.

साथ ही, नोटिसों की tables कई बार काफी जटिल होती थीं. एक ही housing type कई rental conditions में बंटा होता है, या टेबल की अगली row पिछली row की continuity होती है. इसलिए duplicate housing entries न बनें, इसके लिए अलग post-processing और validation logic रखा गया है.

Model calls को OpenAI/OpenRouter compatible layer से अलग किया गया है. अगर document छोटा हो तो उसे एक बार में analyze किया जाता है, और लंबा हो तो metadata/housing information/AI opinions को अलग-अलग बांटकर process किया जाता है.

जिन बातों पर अभी भी सोच रहा/रही हूँ

यह कहना मुश्किल है कि AI analysis results 100% सही हैं. इसलिए अभी इन्हें मूल नोटिस लिंक के साथ दिखाया जाता है, और दिशा यही रखी गई है कि महत्वपूर्ण जानकारी के लिए उपयोगकर्ता मूल दस्तावेज़ भी देख सके.

खास तौर पर मैं इन बातों पर सोच रहा/रही हूँ.

• नोटिस की tables को कितनी स्थिरता से structured किया जा सकता है
• ऐसा कौन-सा UX बेहतर होगा जिससे उपयोगकर्ता अधिक सुरक्षित तरीके से तय कर सके कि “क्या यह मेरी शर्तों से मेल खाता है”
• AI analysis results के supporting sentences को बेहतर तरीके से दिखाने के लिए कौन-सा format अच्छा होगा
• नोटिस में संशोधन होने पर पुराने analysis results को कैसे update/compare किया जाए
• मोबाइल पर जटिल eligibility conditions को बिना बोझिल बनाए कैसे दिखाया जाए

यह एक ऐसा प्रोजेक्ट है जो मेरी अपनी असुविधा से शुरू हुआ और जिसे मैं लगातार बेहतर बना रहा/रही हूँ.

Service layout, AI analysis approach, नोटिस detail screen, mobile UX — किसी भी नज़रिए से feedback दें, तो मैं वास्तव में आभारी रहूँगा/रहूँगी.

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

[bluekai17]

AI से सवाल-जवाब वाला चैट आपने कैसे implement किया?

[recast7838]

डार्क मोड में 마감임박, 신청 예정 वाले हिस्से छिप जाने की समस्या दिख रही है।