Корпоративный поиск
Как проверить поиск по артикулам и таблицам в PDF-каталогах
Разбираем пилот OCR и RAG для технического каталога. Как обнаружить потерянную страницу, отличить соседние модификации и проверить, откуда взялось число в ответе.
Чтобы проверить поиск по каталогу, возьмите пару похожих артикулов и задайте вопрос о конкретной характеристике. В хорошем ответе можно сверить сразу четыре вещи — модификацию, значение, единицу измерения и страницу источника. Ниже разбираем, как провести эту проверку до загрузки всего архива.
Какие страницы включить в пробу
Возьмите обычную текстовую страницу, скан, таблицу с общим заголовком для нескольких столбцов и таблицу с продолжением на следующей странице. Добавьте предыдущую редакцию каталога, если сотрудники сталкиваются с ней в работе.
Составьте перечень файлов и страниц до обработки. После распознавания сверьте его с тем, что доступно поиску. Одна пропущенная страница может содержать именно ту модификацию, которую специалист пытается подобрать.
Как значение попадает в чужую строку
Представим учебный каталог. В строке ВК-20 указан монтажный размер 80 мм, а в строке ВК-20М — 95 мм. Если поиск вернул всю страницу, в найденном фрагменте окажутся оба числа. Для вопроса о ВК-20М ответ «80 мм» будет ошибкой даже со ссылкой на правильную страницу.
Проверьте, что после извлечения осталась связь между артикулом, строкой, заголовком столбца и единицей. Инструменты анализа макета могут возвращать структуру таблицы отдельно от текста страницы. В документации Microsoft Document Intelligence показан пример такого результата. При приёмке его удобно сопоставлять с исходным PDF ячейка за ячейкой.
Какие вопросы задать системе
Запишите ожидаемый ответ до первого запуска. Для двух похожих позиций из примера небольшой набор может выглядеть так.
- «Какой монтажный размер ВК-20М?» Ожидаем 95 мм, ссылку на эту модификацию и действующую редакцию каталога.
- «Чем отличаются ВК-20 и ВК-20М по монтажному размеру?» Проверяем обе пары «артикул — значение», в том числе порядок, в котором они перечислены.
- «Какая у ВК-20М масса?» В учебном каталоге массы нет. По ответу должно быть понятно, что источник её не указывает.
- «Дай размер ВК20М». Если сотрудники часто пропускают дефис, отдельно проверяем этот вариант написания. Если обозначение неоднозначно, ожидаем уточнение.
Где искать причину неправильного ответа
Если страницы нет среди обработанных, проверьте извлечение текста и OCR. Если страница есть, но строка распалась, изучите восстановление таблицы. Если строка сохранилась, но не попала в найденные фрагменты, откройте результаты поиска по точному обозначению. Если фрагмент верный, а число в ответе другое, проверяйте формирование ответа.
В протоколе пилота сохраните вопрос, ожидаемую строку, найденный фрагмент и фактический ответ. Тогда повторный запуск после исправления покажет, какие запросы заработали и сохранились ли результаты по соседним модификациям.
