新卒採用市場における求人検索の負担を軽減するため、AIを活用した求人情報フィルタリングツールがハッカソンを経て開発され、公開されている。本システムは膨大な求人情報の中から応募すべき職種を自動選別し、履歴書と求人要件の適合度を多角的に評価する。開発陣は知識蒸留手法を用いた軽量なAIパイプラインを構築し、技術的検証と実用性を両立させた。 システムの実行フローは三つの段階で構成される。まず学生モデルがユーザーの設定情報と履歴書を基に、LinkedInなどのプラットフォーム向けに検索クエリを生成する。次にJobSpy経由で該当求人を抽出する。最後にモデルが履歴書と求人情報を照合し、適合度を五つの次元でスコアリングするとともに、ランク付けの根拠を自然言語で出力する。これにより候補者数は従来の広範なリストから、根拠の明確な数件のショートリストに圧縮される。 技術的な基盤として、教師モデルにはDeepSeek V4 Proを、学習後の推論モデルにはQwen3-8Bの量子化版を採用した。教師モデルはオフラインでのラベル生成専用に利用され、推論時の依存関係を持たない。学習はModalプラットフォーム上の単一A100GPUでLoRAを用いた二つのアダプターに分けて実行された。推論環境はHugging FaceのZeroGPU Space上でllama.cppを利用し、ストリーミング処理により推論過程をリアルタイム表示する設計となっている。 開発過程から得られた重要な知見は二点ある。一つは、クエリ生成と適合度評価を単一モデルに統合するとフォーマットが干渉するため、同一ベースモデル上にアダプターを分離配置することで実装上のバグを解消した点である。もう一つは、教師モデルのラベリングプロンプト設計が学生モデルの性能に直接影響を与えるという点だ。具体的なスキルや経験年数の不一致を評価基準に組み込むことで、モデルがより精密な適合度判定を学習した。 本ツールの推論環境と学習の全过程データはHugging Face上で公開されており、開発の再現性や技術的検証に供されている。新卒採用支援におけるAI活用として、軽量モデルの知識蒸留手法と推論効率を重視した実装設計が、実務レベルでの適用可能性を示す事例となっている。