La recherche d'emploi pour les jeunes diplômés demeure un processus chronophage et souvent décourageant. Face à des centaines d'offres à trier manuellement, les candidats finissent par postuler de manière générique, épuisés par la répétition. Pour remédier à cette inefficacité, une équipe de développeurs a conçu un assistant de recherche d'emploi alimenté par l'intelligence artificielle, déployé en démonstration publique sur la plateforme Hugging Face. L'outil fonctionne selon un processus en trois étapes. L'IA analyse d'abord le CV et les préférences de l'utilisateur pour générer des requêtes de recherche ciblées. Ces requêtes sont ensuite exécutées sur des plateformes comme LinkedIn via un intermédiaire technique nommé JobSpy. Enfin, un modèle évalue chaque offre en attribuant un score de compatibilité sur cinq dimensions, en croisant précisément les compétences du candidat avec les exigences du poste. Le résultat diffère des listes massives traditionnelles. Il propose une sélection restreinte accompagnée d'une justification détaillée, expliquant objectivement pourquoi chaque opportunité correspond au profil recherché. Sur le plan technique, la solution repose sur une méthode de distillation professeur-étudiant. Un modèle large et puissant, DeepSeek V4 Pro, sert de professeur pour annoter un corpus de données de manière structurée en arrière-plan. Un modèle plus léger, Qwen3-8B, agit comme étudiant et est optimisé pour fonctionner efficacement sur des ressources limitées grâce à des techniques de quantification. L'entraînement utilise des ajustements fins via LoRA, déployés sur une infrastructure cloud pour garantir rapidité et économie de ressources. Les développeurs ont rapidement identifié que fusionner la génération des requêtes et l'évaluation des postes dans un seul modèle créait des conflits de formatage. La séparation de ces tâches en deux modules d'adaptation indépendants, interchangeables à la demande, a résolu ces problèmes et stabilisé les performances. Par ailleurs, l'équipe a constaté que la qualité des instructions données au modèle professeur s'est révélée plus déterminante que la taille du modèle étudiant. En exigeant des analyses concrètes et comparatives, la distillation a permis au modèle léger d'imiter précisément ce raisonnement structuré. La plateforme propose un affichage en temps réel du raisonnement de l'IA, permettant aux utilisateurs de suivre étape par étape la logique derrière chaque recommandation. L'ensemble du processus de développement, y compris les essais, les erreurs et les corrections, est publié sous forme de traces accessibles au public. Cette initiative démontre comment l'optimisation ciblée des petits modèles peut automatiser des tâches complexes tout en préservant la transparence, offrant aux chercheurs d'emploi un outil précis, justifiable et respectueux des infrastructures informatiques.