Nákladový model

Rozsah backfillu je nejdřív otázka nákladů a teprve potom otázka produktu. Dokument s těmi čísly byl v repozitáři záměrně prázdný, aby se sbíraly před rozhodnutím, ne po něm. Čtyři ze sedmi vstupů jsou změřené z archivu feedu a ze stažených dokumentů; tři čekají na extrakční stupeň.

Položka

0.13 — rozpracována, měřeno 9. 9. 2026

Blokuje

rozhodnutí o rozsahu backfillu ve fázi 1

Tok

16 000 událostí, 10 500 dokumentů a 2 140 přihlášek za pracovní den (medián, 50 dní)

Poměr k limitu

≈ 4,2 nového dokumentu na každý povolený požadavek denně

Co chybí

cena OCR na stránku, tokeny na dokument, míra opakování, počet řízení v rozsahu podle fáze

Přihláška

plochá: medián 6 stran, p90 10, 726 kB; 14 % stran bez textové vrstvy (OCR)

Portfolia

46 % dokumentů „Přihláška pohledávky“ je doručenka datové schránky; formulář přichází jako první událost, doručenka o dva dny později jako druhá

Co má dokument obsahovat

Pro každý zvažovaný rozsah — MVP od roku 2018, od 2015, celý rejstřík od 2008 — má vzniknout jednoduchý výpočet: počet řízení krát dokumenty na řízení, z toho stránky, z toho cena OCR, a vedle toho tokeny na dokument krát cena za token, navýšené o opakované běhy po selhané validaci.

Čísla, která jsou vlastností rejstříku a jeho dokumentů, jsou dnes změřená. Čísla, která jsou vlastností extrakčního stupně, změřená nejsou a nedají se odhadnout od stolu.

Co už změřené je

Z archivu feedu za 1. 7.–9. 9. 2026: 16 tisíc událostí, 10,5 tisíce dokumentů a 2 140 přihlášek pohledávek za pracovní den. Konkursy jsou 3 308 z 82 839 aktivních řízení a nesou 48 tisíc dokumentů za dva měsíce, z toho 17,4 tisíce v oddílech P.

Ze stažených dokumentů: plochá přihláška má medián 6 stran a 726 kB, 86 % stran nese textovou vrstvu (formuláře jsou digitální, skenem jsou přílohy). Skoro polovina dokumentů typu „Přihláška pohledávky“ je ale PDF portfolio s doručenkami datové schránky. Změřeno na oddílech s dvěma staženými přihláškami: v 264 z 268 přichází nejdřív vlastní formulář a o dva dny později doručenka jako druhá událost stejného typu. Extrakce musí nejdřív rozlišit formulář od doručenky; počet událostí „přihláška“ nadhodnocuje počet podání skoro o polovinu.

Měření provádí skript nad lokálním archivem a úložištěm řízení; výstup s provenience je uložený jako agregáty bez identifikátorů.

Doba trvání není totéž co cena

Délku backfillu neurčuje výpočetní kapacita, ale strop zdroje 3000 požadavků denně. Změřeno: rejstřík publikuje asi 10,5 tisíce nových dokumentů denně, tedy zhruba čtyři na každý povolený požadavek. Zrcadlit všechny dokumenty není pomalé, je to pod podmínkami zdroje nemožné — ještě před jakýmkoli backfillem.

Výběr dokumentů podle druhu řízení, oddílu a typu dokumentu proto není optimalizace, ale podmínka produktu. Konkursní dokumenty samy o sobě (≈ 680 denně) se do stropu vejdou, konkursní oddíly P (≈ 250 denně) pohodlně.

Kde to v repozitáři žije

• docs/development/COST-MODEL.md — měřená sekce, tabulka neměřených vstupů a výpočet, který má vzniknout
• docs/development/cost-model/measurements-2026-09-09.json — agregáty měření s provenience, bez identifikátorů
• docs/development/OPEN-QUESTIONS.md — Q1 — cena na dokument a celková cena backfillu
• docs/SPEC.md — rozhodnutí o rozsahu a fázování, které na tomhle čísle visí
• docs/development/PROMPT_SEQUENCE_STATE.md — stav položky 0.13 a co blokuje

Souvisí

Zpět na sekci Roadmapa