Plánováno

Dokumentová pipeline

Feed dává metadata; čísla leží uvnitř dokumentů, které jsou převážně skeny. Tahle položka je místo, kde projekt uspěje nebo neuspěje — a zároveň jediné místo, kde se utrácí za každou stránku.

Položky fáze

1.6 stahování a úložiště, 1.7 OCR, 1.8 extrakce do schématu a validace

Závisí na

1.3 — akcích, které odkazují na dokument

Klíč cache

SHA-256 dokumentu plus verze extraktoru

Bez LLM klíče

poběží jen OCR a všechno půjde do fronty kontroly — pomaleji, ne špatně

Stav

plánováno; rozsah backfillu čeká na nákladový model (0.13)

Stádia

• Stažení do úložiště adresovaného obsahem — už známý hash se nestahuje podruhé.
• Klasifikace typu dokumentu a oddílu spisu.
• OCR na text a rozvržení stránky; layout nese význam, protože o povaze čísla rozhoduje kolonka, ve které stojí.
• Extrakce do deklarovaného JSON schématu z textu i obrázků stránek; model nevolí tvar výstupu.
• Validace proti schématu, doménovým pravidlům a křížové konzistenci; pak skóre spolehlivosti po polích i po záznamu.

Cache není optimalizace

Výsledky se ukládají podle hashe dokumentu a verze extraktoru. Bez toho by každá oprava projektoru znamenala znovu zaplatit celý backfill v OCR a tokenech — a tým by opravy přestal dělat.

Zvýšení verze extraktoru cache zneplatňuje záměrně a výběrově: znovu se vytěží jen ty typy dokumentů, které se změnily.

Co se lepším promptem nevyřeší

Přihlášky mimo úřední formulář nemají layout, na který by se dalo kotvit. Přílohy o stovkách stran narážejí na cenu i na kontext a potřebují výběr stránek. Řízení před novelou z roku 2017 mají místo zpráv o přezkumu protokoly z přezkumného jednání — jiný dokument a jiný slovník.

Každý z těchto případů potřebuje vlastní strategii a ve většině i cestu do fronty kontroly. Jsou vedené jako otevřené otázky, ne jako detaily implementace.

Kde to v repozitáři žije

• docs/EXTRACTION.md — stádia pipeline, cache, těžké případy a měření kvality
• docs/ARCHITECTURE.md — proč je dokumentová pipeline oddělená od příjmu dat
• docs/development/COST-MODEL.md — cena za dokument, která rozhoduje o rozsahu backfillu

Souvisí

Zpět na sekci Roadmapa