Rozpracováno

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. Změřené jsou vlastnosti rejstříku a jeho dokumentů (archiv feedu a stažené dokumenty, 9. 9. 2026) i čas OCR a tokeny LLM (pilotní extrakce, 1. 10. 2026); otevřené zůstávají míra opakování extrakce a počty řízení v rozsahu podle fáze.

Položka

0.13 — rozpracována; měřeno 9. 9. a 1. 10. 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

Čas OCR

≈ 1,7 s na stránku na jednom jádře (Tesseract 5.5, čeština, 300 dpi), změřeno 1. 10. 2026

Tokeny LLM

≈ 4 200 vstupních a ≈ 160 výstupních na přihlášku (10 reálných přihlášek), změřeno 1. 10. 2026

Co chybí

míra opakování extrakce po selhané validaci a počet řízení v rozsahu podle fáze; cenu v korunách model záměrně nepočítá

Přihláška

plochá: medián 6 stran, p90 10, 726 kB; textovou vrstvu má většina stran, ale česky čitelná je jen asi čtvrtina — OCR se týká zhruba tří stran ze čtyř (oprava 1. 10. 2026)

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 změřená. Z čísel extrakčního stupně jsou změřené čas OCR na stránku a tokeny na přihlášku; míra opakovaných běhů změřená není a od stolu se odhadnout nedá.

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. Oprava z 1. 10. 2026: vrstva většiny formulářů má posunuté kódování písma a česky se dá přečíst jen asi čtvrtina stran, takže OCR je hlavní cesta, ne menšinová. 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.

Z pilotní extrakce (1. 10. 2026): OCR stránky trvá asi 1,7 s na jednom jádře a model dostane na přihlášku asi 4 200 vstupních tokenů a vrátí asi 160. Pro pohledávky od 1. 1. 2026 z toho vychází zhruba devět až deset dní rozpočtu požadavků, asi 28 hodin procesorového času na OCR a asi 55 milionů vstupních tokenů — za předpokladu, že první pololetí je stejně husté jako změřené okno.

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