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.

%% title: Stádia dokumentové pipeline
%% caption: Dokument je adresovaný hashem obsahu a výsledek extrakce se cachuje podle hashe a verze extraktoru. Neprošlá kontrola citace nebo částky pošle pohledávku ke kontrole bez ohledu na ostatní. Dnes jen pro přihlášky; obecná klasifikace typu dokumentu, čtení rozvržení stránky a skóre po jednotlivých polích zatím postavené nejsou.
flowchart LR
  A["Stažení<br/>adresováno obsahem"] --> H{"Hash<br/>už známý?"}
  H -- "ano" --> C[("Cache<br/>SHA-256 + verze extraktoru")]
  H -- "ne" --> B["Výběr dokumentu<br/>typ události a oddíl"]
  B --> O["Text stránky<br/>vrstva nebo OCR"]
  O --> E["Extrakce modelem<br/>do JSON schématu"]
  E --> V{"Validace<br/>citace, částky,<br/>součty, IČO"}
  V -- "selhala" --> Q["Fronta kontroly"]
  V -- "prošla" --> S{"Skóre<br/>po dílčí pohledávce"}
  S -- "pod prahem" --> Q
  S -- "nad prahem" --> W[("Zápis s proveniencí<br/>dokument, stránka, skóre")]
  E -.-> C
  click A href "/roadmap/dokumentova-pipeline" "Dokumentová pipeline"
  click C href "/architecture/vysledky-extrakce-jsou-cachovane" "Výsledky extrakce jsou cachované"
  click E href "/architecture/ocr-a-llm-extrakce-do-schematu" "OCR + LLM extrakce do schématu"
  click O href "/architecture/ocr-a-llm-extrakce-do-schematu" "OCR + LLM extrakce do schématu"
  click V href "/docs/extrakce" "Extrakce"
  click S href "/architecture/confidence-je-plnohodnotne-pole" "Confidence je plnohodnotné pole"
  click Q href "/roadmap/fronta-lidske-kontroly" "Fronta lidské kontroly"
  click W href "/about/cislo-bez-zdroje-neni-udaj" "Číslo bez zdroje není údaj"
  class A st-in_progress
  class Q st-in_progress

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