Sistem AI · metalurgie, documentație normativă
Graf GOST și RAG pentru cerințele oțelului
EVRAZ · 2025 · Sistem AI · Python 3.11, LangChain
De la un set de standarde PDF la o bază de cunoștințe interconectată: legături între GOST-uri, căutare cu surse, export al cerințelor unei clase de oțel în JSON
O serie de prototipuri pentru EVRAZ, a cărui bibliotecă GOST este un set de PDF-uri fără legături între documente. Standardele (PDF/DOC) sunt convertite în Markdown cu tabele și imagini, trimiterile la alte GOST-uri (normative și informative) sunt găsite automat, standardele „copil” sunt descărcate, iar deasupra se construiesc căutare RAG cu surse și extragerea de date structurate. Sarcina de test este clasa de rezistență C235 conform GOST 27772-2021: compoziția chimică și proprietățile mecanice sunt exportate în JSON. Într-o săptămână (30 octombrie – 6 noiembrie 2025), cinci variante de implementare au fost încercate în paralel.
Sarcina
Trimiterile la alte GOST-uri din interiorul documentelor nu sunt clicabile. Pentru a aduna toate cerințele pentru oțelul C235, un specialist trebuie să găsească manual standardul principal și apoi să parcurgă, unul câte unul, fiecare standard menționat în el, ceea ce durează mult și lasă loc de omisiuni.
Ce conține
- Conversia GOST-urilor din DOC/DOCX/PDF în Markdown, tabele (XLSX) și imagini
- Extragerea automată a trimiterilor, clasificate ca „normative / informative”; în GOST 27772-2021 au fost găsite 95 de trimiteri unice (71 normative, 24 informative) și au fost inserate 232 de hiperlink-uri clicabile
- Căutarea și descărcarea automată a GOST-urilor „copil” (allgosts.ru, cu Yandex XML API ca variantă de rezervă): corpusul conține 60 de documente .doc
- Răspunsuri RAG cu surse (Claude 4.5 Sonnet / Gemini 2.5 Pro prin OpenRouter, index vectorial FAISS)
- Extragerea datelor structurate pentru clasa de rezistență C235 (8 elemente de compoziție chimică, 3 proprietăți mecanice) în JSON, cu validare
- Variante: o bază de cunoștințe web în React/tRPC, un graf al standardelor în Neo4j cu răspunsuri care țin cont de graf, RAGFlow + OpenSearch cu k-NN fără Docker, un serviciu web FastAPI + HTMX cu crawler, un caiet de sarcini pentru un modul OCR de înaltă precizie
Traducere automată — în curs de corectare.