Číslo bez zdroje není údaj

Provenience není metadata navíc. Je to podmínka, bez které se hodnota do projekce nedostane — protože všechny tři otázky, které o číslu v tomhle produktu někdo položí, jsou otázky na jeho původ.

Co hodnota nese

dokument, stránka, metoda extrakce, skóre spolehlivosti

Kdy se zapíše

jen když je provenience úplná a skóre nad prahem

Stav

vynucené v typovaném doménovém modelu; pipeline, která ho plní, je plánovaná

Tři otázky, které přijdou

První je žádost subjektu údajů: jaké údaje o mně máte a odkud. Odpověď „z insolvenčního rejstříku“ není odpověď; odpověď je konkrétní dokument v konkrétním řízení.

Druhá je spor o částku. Analytik tvrdí 4,2 milionu, protistrana 3,8. Bez odkazu na stranu dokumentu je to hádka dvou tabulek.

Třetí je nejčastější a nejnebezpečnější: proč se ta metrika minulý měsíc změnila. Bez provenience je jediná dostupná odpověď „asi se něco přepočítalo“, a od toho okamžiku už číslům nikdo nevěří.

Proto je to podmínka zápisu, ne pole navíc

Kdyby byla provenience volitelná, byla by vyplněná tam, kde to bylo snadné, a chyběla by přesně tam, kde na ní záleží — u hodnot, které se dolovaly z nekvalitního skenu.

V doménovém modelu je proto součástí typu, ne komentářem u něj. Hodnota bez dokumentu a stránky není „hodnota s chybějícím metadatem“; taková hodnota v modelu nejde sestrojit.

Co z toho plyne pro provoz

• Dokumenty se ukládají podle SHA-256 svých bajtů, takže odkaz na zdroj přežije i opakované stažení téhož PDF.
• Oprava dřívějšího údaje je nová událost s vlastní proveniencí, ne přepis toho, co bylo zapsáno dřív.
• Údaj, který nelze dohledat ke zdroji, se považuje za chybu systému — ne za data s nižší kvalitou.

Kde to v repozitáři žije

• docs/DATA-MODEL.md — entity, stavový automat a provenience jako povinná součást zápisu
• docs/EXTRACTION.md — stádia pipeline, práh spolehlivosti a cache výsledků
• src/progresus_isir/domain/ — typovaný model, ve kterém je provenience vynucená

Souvisí

Zpět na sekci O projektu