AI-system · metallurgi, regulatorisk dokumentation
GOST-graf og RAG på stålkrav
EVRAZ · 2025 · AI-system · Python 3.11, LangChain
Fra et sæt PDF-standarder til en sammenkædet vidensbase: links mellem GOST’er, søgning med kilder, eksport af krav til stålklasser til JSON
En serie prototyper for EVRAZ, hvis GOST-bibliotek er et sæt PDF’er uden links mellem dokumenterne. Standarder (PDF/DOC) konverteres til Markdown med tabeller og billeder, henvisninger til andre GOST’er (normative og informative) findes automatisk, »underordnede« standarder hentes ned, og RAG-søgning med kilder og strukturerede dataudtræk bygges ovenpå. Testopgaven er styrkeklasse C235 efter GOST 27772-2021: den kemiske sammensætning og de mekaniske egenskaber eksporteres til JSON. I løbet af én uge (30. oktober – 6. november 2025) blev fem implementeringsmuligheder afprøvet parallelt.
Opgaven
Henvisninger til andre GOST’er i dokumenterne kan ikke klikkes på. For at samle alle krav til C235-stål må en specialist finde hovedstandarden manuelt og derefter gennemgå hver standard, den nævner, én for én, hvilket tager lang tid og lader ting slippe igennem.
Hvad der er med
- Konvertering af GOST’er fra DOC/DOCX/PDF til Markdown, tabeller (XLSX) og billeder
- Automatisk udtrækning af henvisninger klassificeret som »normative / informative«; i GOST 27772-2021 blev der fundet 95 unikke henvisninger (71 normative, 24 informative), og der blev indsat 232 klikbare hyperlinks
- Automatisk søgning og download af »underordnede« GOST’er (allgosts.ru, med Yandex XML API som fallback): korpuset indeholder 60 .doc-dokumenter
- RAG-svar med kilder (Claude 4.5 Sonnet / Gemini 2.5 Pro via OpenRouter, FAISS-vektorindeks)
- Udtrækning af strukturerede data for styrkeklasse C235 (8 elementer i den kemiske sammensætning, 3 mekaniske egenskaber) til JSON med validering
- Varianter: en webbaseret vidensbase på React/tRPC, en standardgraf i Neo4j med grafbevidste svar, RAGFlow + OpenSearch med k-NN uden Docker, en FastAPI + HTMX-webtjeneste med en crawler, en specifikation til et OCR-modul med høj nøjagtighed
Maskinoversættelse — bliver gennemgået.