Подготовка базы знаний перед внедрением Docora AI: как мы валидируем информацию
Время чтения: 6–8 минут.
Эта статья для руководителей и специалистов, которые хотят внедрить Docora AI создать ИИ-эксперта по корпоративной документации: для проектного офиса, службы качества, юристов, HR, поддержки, ИТ и владельцев баз знаний.
Мы собрали чек-лист, который поможет понять, какие материалы нужны для эффективной работы ИИ-эксперта, какие форматы документов подойдут без доработок и в каких случаях стоит сразу планировать кастомный сценарий. В результате вы экономите время на внедрении и заранее фиксируете ожидаемое качество ответов.
Docora AI — это платформа для создания ИИ-экспертов под конкретные роли и задачи. Одна из главных задач ИИ-экспертов на платформе – помогать сотрудникам быстро находить ответы в регламентах, инструкциях и стандартах и проверять их по первоисточникам.
Чтобы такой эксперт приносил пользу с первого дня, важно начать с простого шага — проверить и подготовить ваши корпоративные документы, который станет его базой знаний. Этот этап называют валидацией: он помогает заранее понять, какие материалы подходят для стандартного запуска, а где лучше скорректировать формат или ожидания.
Зачем нужна валидация базы знаний
Валидация базы знаний — это этап предварительной проверки контента, который планируется использовать для создания ИИ-эксперта в Docora AI. На этом этапе оценивают:
- что именно нужно передать, чтобы ИИ-эксперт работал стабильно, набор материалов, который реально поддержит ваши рабочие сценарии.
- какой результат можно ожидать без доработок
- как снизить риски по срокам и качеству
- Проблемные зоны (сканы, таблицы без текста, изображения) выявляются до старта — без потери времени на итерации.
Логика простая: чем понятнее входные материалы, тем быстрее компания получает ИИ-эксперта, которому можно доверять в ежедневной работе.
Перейдем к чек-листу
Шаг 1. Собрать тестовый пакет документов
Чтобы проверка прошла быстро и дала точный результат, достаточно собрать небольшой пакет материалов, который вы используете в ежедневной работе.
Рекомендуемые параметры для импортируемых файлов:
- 30–50 документов
- средний размер: до 5 МБ
- общий объём: ориентир около 25 МБ (уточняется по факту)
Поддерживаемые форматы:
.docx, .pdf, .md, .txt, .adoc, .html, .csv, .xhtml, .pptx, .xlsx
Допустимы сканы в .pdf, если они читаемые.
Тестовый пакет файлов позволяет быстро понять, как будет работать ИИ-эксперт на ваших типовых запросах — без долгой подготовки всей базы.
Шаг 2. Убедиться, что материалы текстовые
ИИ-эксперт по документации опирается на смысловой текст. Поэтому главное условие — наличие полноценного текстового контента.
Обычно подходят:
- регламенты, инструкции, положения
- стандарты и требования
- методики и руководства
- FAQ и база знаний поддержки
- шаблоны документов с пояснениями
Текстовые источники дают предсказуемое качество — эксперт может отвечать точно, а сотрудник может быстро сверить ответ с источником.
Шаг 3. Таблицы: отделить справочную информацию от расчётных данных
Таблицы допустимы и часто полезны. Важно понять, что в них хранится и какой результат вы ожидаете.
Таблицы в корпоративной документации встречаются почти всегда, поэтому важно сразу понять, как именно они будут использоваться в базе знаний. Если в таблицах есть смысловой текст — условия, правила, требования, расшифровки, комментарии — ИИ-эксперт сможет опираться на них так же, как на обычный документ: находить нужный пункт, объяснять его и давать ответ со ссылкой на источник.
Другая ситуация — когда таблицы представляют собой в основном числа, формулы и расчёты. Если ожидается, что система будет не просто находить значения, а выполнять вычисления и выдавать итоговый результат, это уже отдельный сценарий, который нужно заранее согласовать.
Такое разделение помогает правильно зафиксировать ожидания: ИИ-эксперт по документации отвечает по текстовым правилам и требованиям, а расчётная логика относится к отдельному функциональному контуру.
Шаг 4. Изображения: зафиксировать корректные ожидания
В корпоративной документации изображения встречаются часто: схемы, диаграммы, скриншоты интерфейсов, таблицы в виде картинок, фрагменты чертежей. Проблема в том, что для человека это читаемо, но для ИИ-эксперта такая информация либо не извлекается, либо извлекается нестабильно (с пропусками и ошибками). В результате часть правил, требований и параметров не попадает в базу знаний, и ответы по документации становятся неполными или неточными.
Если в документе основной смысл изложен текстом, а изображения служат иллюстрациями, это стандартная ситуация. В таком случае ИИ-эксперт работает по текстовой части: находит нужные пункты, объясняет их и даёт ответ со ссылкой на источник. Изображения при этом могут оставаться в документе — просто они не становятся главным источником знаний.
Другая история — когда документ фактически состоит из изображений: например, инструкции собраны из скриншотов, требования — в виде таблиц-картинок, важные данные — на схемах. Если от системы ожидают именно смысловой разбор изображений (вытащить смысл из схемы, интерпретировать графику, сопоставить элементы на картинке), это уже отдельный сценарий. Он выходит за рамки типовой задачи “эксперта по документации” и обычно требует дополнительной проработки.
Отдельно стоит учитывать, что извлечение текста с изображений возможно, но поддерживается ограниченно и сильно зависит от качества: контраст, шрифт, размер, отсутствие шума и перекосов. Поэтому “массово обработать картинки как полноценную базу знаний” — не то, на что стоит рассчитывать в стандартном внедрении.
Зачем фиксировать это заранее: чтобы внедрение было прогнозируемым. Когда команда понимает, что является основным источником знаний — текст или изображения — проще корректно оценить объём работ, выбрать подходящий сценарий и не перегружать проект задачами другого класса.
Шаг 5. Сканы: оценить пригодность до загрузки
Сканы можно использовать, если качество позволяет стабильно извлечь текст.
Подходят:
- читаемые, контрастные
- без смаза и сильного шума
Не подходят:
- размытые и неразборчивые
Шаг 6. Если база знаний находится на сайте, в Confluence или GitLab
Во многих компаниях источники знаний — это порталы и рабочие системы. Подход тот же: нужен доступ и преимущественно текстовый контент.
Требования к сайтам:
- доступ без авторизации или basic auth
- API не обязательно: используется механизм извлечения текстовой информации
- контент преимущественно текстовый; таблицы с текстом допустимы
- извлекается текст, изображения не анализируются
Confluence и GitLab:
применяются те же требования. Если используется нестандартная авторизация, возможна интеграция по API — по согласованию с командой.
Зачем это проговаривать: заказчик сразу понимает, можно ли подключиться к текущим источникам или лучше подготовить выгрузку.
Валидация начинается с небольшого набора материалов, которые реально используют сотрудники: этого достаточно, чтобы быстро понять, что подходит для стандартного запуска и где нужны доработки.
Подготовка документов — это короткий этап, который делает внедрение Docora AI управляемым. Когда база знаний в основном текстовая, сканы читаемые, а таблицы содержат смысловые описания, компания быстро получает ИИ-эксперта по документации, который помогает сотрудникам ориентироваться в правилах и требованиях и экономит время на поиске.
Если же в базе много расчётных таблиц или материалов в картинках, это не препятствие — просто заранее определяется отдельный сценарий и корректная конфигурация решения.
