Les documents tels qu'ils sont réellement classés
Un modèle d'extraction qui n'a vu que des gabarits propres n'a pas vu la paperasse de ce corridor — le tampon en travers du champ, la photocopie de troisième génération, le formulaire rempli à deux mains.
Le problème
Les modèles documentaires entraînés sur des gabarits synthétiques propres et des mises en page occidentales se dégradent nettement sur la matière réelle : tampons en travers des valeurs recherchées, écriture manuscrite entrelacée d'imprimé, numérisations de numérisations, et des mises en page qui n'ont jamais été normalisées.
Les corpus qui corrigeraient cela sont détenus par des institutions, non publiés, et ne s'achètent pas simplement. Ils viennent avec des obligations qui survivent à la cession — d'où le fait que cette ligne est sourcée sur mandat plutôt que détenue en stock.
Ce que nous y opposons
Corpus documentaires d'entreprise et d'exploitation, actes de propriété et de transaction, et registres institutionnels dépersonnalisés — chacun sourcé sur un mandat nommé de l'institution détentrice, et non prélevé sur un stock existant.
Sur la ligne institutionnelle, la contrainte est stricte et inscrite dans le schéma, pas seulement dans le texte : l'institution détentrice est l'unique contrepartie, la dépersonnalisation s'opère sous sa supervision avant toute sortie, et les identifiants de compte comme les éléments d'authentification ne sont jamais reçus, détenus ni livrés. Cette ligne ne porte aucun échantillon public et n'en recevra pas.
Ce à quoi cela doit répondre
| Exigence | Comment elle est satisfaite |
|---|---|
| Une dégradation réelle, non un bruit synthétique | Générations de photocopie, tampons en travers des champs, mixte manuscrit et imprimé, tel que classé |
| Des mises en page jamais normalisées | Formulaires d'exploitation dans la forme réellement employée par l'émetteur |
| Une dépersonnalisation qui résiste à l'audit | Opérée sous la supervision de l'institution détentrice, avant toute sortie |
| Une contrepartie défendable | L'institution détentrice est l'unique contrepartie ; mandat nommé par corpus |
Ce que vous pouvez vérifier d'abord
- Schéma publié
- Le schéma des registres et un journal de transformation sont publiés en échantillon
- Jamais reçus
- Identifiants de compte et éléments d'authentification ne sont jamais reçus, détenus ni livrés
- Mandat d'abord
- Aucun corpus n'est présenté comme un stock ; chacun est sourcé sur un mandat nommé
- Sortie supervisée
- Dépersonnalisation achevée sous la supervision de l'institution avant transfert
Lignes d'approvisionnement mobilisées
Une solution n'est marquée « en service » que si une ligne qui la porte détient de la matière libérée. Rien de sourcé sur mandat n'est présenté comme un stock.
Cinquante heures livrées au standard de production, deux semaines après validation du cahier des charges.
Autres solutions
Reconnaissance vocale pour les langues que les benchmarks ignorent
Le taux d'erreur sur ce corridor n'est pas un problème de modélisation. C'est un problème de données, et ces données n'ont jamais été collectées.
Post-entraînement et évaluation hors du corpus web
Le web n'est pas un échantillon du monde. Pour ce corridor, c'est un échantillon de ce qui a été écrit en anglais par des gens connectés — et un modèle entraîné dessus hérite de ce manque sous forme d'assurance.
Le travail à la première personne, y compris quand il rate
Une politique de manipulation généralise à partir de la variété de mains, d'outils et d'échecs qu'elle a vus. Les corpus égocentriques ouverts montrent un procédé fixe dans un intérieur industriel, filmé jusqu'à ce qu'il réussisse.