Tekoälyjärjestelmä · metallurgia, säädösdokumentaatio
GOST-graafi ja RAG terästen vaatimuksille
EVRAZ · 2025 · Tekoälyjärjestelmä · Python 3.11, LangChain
PDF-standardien joukosta toisiinsa linkitettyyn tietopankkiin: GOST-standardien väliset linkit, haku lähteineen, teräsluokkien vaatimusten vienti JSONiin
Sarja prototyyppejä EVRAZille, jonka GOST-kirjasto on joukko PDF-tiedostoja ilman linkkejä asiakirjojen välillä. Standardit (PDF/DOC) muunnetaan Markdowniksi taulukoineen ja kuvineen, viittaukset muihin GOST-standardeihin (normatiiviset ja informatiiviset) löydetään automaattisesti, ”lapsi”-standardit ladataan, ja niiden päälle rakennetaan RAG-haku lähteineen sekä jäsennellyn datan poiminta. Testitehtävä on lujuusluokka C235 standardin GOST 27772-2021 mukaan: kemiallinen koostumus ja mekaaniset ominaisuudet viedään JSONiin. Yhden viikon aikana (30. lokakuuta – 6. marraskuuta 2025) kokeiltiin rinnakkain viittä toteutusvaihtoehtoa.
Tehtävä
Asiakirjojen sisäiset viittaukset muihin GOST-standardeihin eivät ole klikattavia. Kerätäkseen kaikki C235-teräksen vaatimukset asiantuntijan on löydettävä päästandardi käsin ja käytävä sitten läpi jokainen sen mainitsema standardi yksi kerrallaan, mikä vie paljon aikaa ja jättää asioita huomaamatta.
Mitä sisältyy
- GOST-standardien muunnos DOC/DOCX/PDF-muodosta Markdowniksi, taulukoiksi (XLSX) ja kuviksi
- Viittausten automaattinen poiminta luokiteltuna ”normatiivisiin / informatiivisiin”; standardissa GOST 27772-2021 löytyi 95 yksilöllistä viittausta (71 normatiivista, 24 informatiivista) ja lisättiin 232 klikattavaa hyperlinkkiä
- ”Lapsi”-GOST-standardien automaattinen haku ja lataus (allgosts.ru, varana Yandex XML API): korpus sisältää 60 .doc-asiakirjaa
- RAG-vastaukset lähteineen (Claude 4.5 Sonnet / Gemini 2.5 Pro OpenRouterin kautta, FAISS-vektoriindeksi)
- Lujuusluokan C235 jäsennellyn datan poiminta (8 kemiallisen koostumuksen alkuainetta, 3 mekaanista ominaisuutta) JSONiin validoinnilla
- Variantit: React/tRPC-pohjainen verkkotietopankki, standardigraafi Neo4j:ssä graafia hyödyntävin vastauksin, RAGFlow + OpenSearch k-NN:llä ilman Dockeria, FastAPI + HTMX -verkkopalvelu indeksointirobotilla (crawler), määrittely tarkalle OCR-moduulille
Konekäännös – tarkistus on kesken.