Возьмите регламент выездного обслуживания на сорок страниц. Такой файл docx есть у любой сервисной компании. Попросите машину извлечь из него текст и собрать курс. Мы так и поступили со своим регламентом.
Третья глава получилась гладкой, уверенной и неверной. В ней инженеру велели закрыть заявку за три дня. В регламенте же три дня давалось на первый выезд, а на закрытие четырнадцать. Ничего не сломалось, и никаких предупреждений не было. Мастерская и теперь принимает ваш файл, но после того случая сначала раскладывает материал по темам и ждёт, пока вы прочтёте результат.
Что происходит с таблицей
В регламенте была таблица: слева срок, справа действие. Человек смотрит на неё и сразу, не задумываясь, видит, что к чему относится.
Когда из документа извлекают текст, таблица превращается в сплошной ряд слов. Они могут идти по строкам, по столбцам или в том порядке, в каком таблицу хранил файл. Получается так: три дня, семь дней, четырнадцать дней, выехать к клиенту, позвонить, закрыть заявку. Сроки оказались отдельно от действий.
Эта мешанина идёт в сборку, и модель добросовестно делает свою работу. Получается задание, которое хорошо читается и учит не тому. Автор заметит ошибку, только если прочитает готовый курс строчка за строчкой, а именно этой работы он и хотел избежать.
Жёсткие переносы строк
Второй источник мусора менее заметен. В документах строки часто разрывают вручную: абзац обрывается посреди предложения, потому что так требовала вёрстка страницы.
После извлечения одно предложение приходит тремя кусками. Модель видит три куска и принимает их за три мысли. Она делает из них три пункта списка или соединяет не те половины, и получается фраза, которую никто не писал.
Сюда же относятся мягкие переносы, неразрывные пробелы и типографские кавычки. По отдельности это мелочи. Вместе они делают так, что текст уже не обрабатывается как обычный текст.
Колонтитулы и номера страниц
На каждой странице регламента вверху было название компании, а внизу номер страницы. При извлечении и то и другое попало в текст сорок раз подряд.
Модель видит одно и то же предложение сорок раз и логично заключает, что оно важное. Название компании становится темой курса. Номер страницы попадает в задание как количество чего-то, и инженера спрашивают о том, чего в регламенте не было.
А почему просто не почистить текст
Очевидное решение это фильтр, и мы его написали. Он отлично работает, пока не попадётся документ, свёрстанный кем-то другим.
Колонтитул нельзя отличить от предложения, которое повторяется по делу, если не понимать смысл. Получается замкнутый круг: чтобы почистить текст, его надо понять, а чтобы понять, нужен чистый текст.
К тому же плохой фильтр ошибается незаметно. Курс собирается, выглядит прилично, а в третьей главе указан срок, которого никогда не было. Незаметная ошибка в курсе хуже всего: её находит не автор, а инженер, который на третий день стоит перед клиентом.
Другие инструменты берут файл без вопросов
Справедливое замечание: другие инструменты принимают pdf без возражений и выдают что-то полезное.
Пересказу мусор не мешает. Название компании, повторённое сорок раз, он пропустит и вернёт три абзаца по делу. Поиску по документам мусор тоже не мешает: вы получаете цитату и смотрите, что написано вокруг неё. В обоих случаях последнее слово остаётся за читателем, который видит исходную страницу.
Курсу мешает любая ошибка. Мы не пересказываем регламент, а превращаем его в задания с проверяемым ответом и разбором. Задание это утверждение: вот срок, вот действие, вот верный вариант. Оно либо верно, либо нет.
Вся разница в цене ошибки. Неточный пересказ прочитают и пожмут плечами. Неверное задание выучат, и человек уйдёт с ним, уверенный, что теперь знает.
Что мастерская делает вместо этого
Вставьте текст или загрузите файл и нажмите «разложить по темам».
В ответ вы получаете план и больше ничего: темы, на которые разделился ваш документ, в том порядке, в котором они получились. Глав и заданий ещё нет, и на них ничего не потрачено. Этот экран добавляет лишний шаг, но спасает курс. Если сроки в таблице оторвались от действий, вы видите это сразу, в пяти строчках, а не после трёх готовых глав.
Вы переставляете тему, удаляете ту, что появилась из колонтитула, и нажимаете «собрать». После этого мастерская пишет главы и задания с разборами. В режиме «только по материалу» она использует только то, что вы дали: не добавляет ни одного факта от себя, а сроки и цифры переносит слово в слово.
Как выглядит хороший источник
Есть привычка, которая экономит больше, чем кажется. Перед тем как загружать документ, прочитайте его так, как прочитал бы новичок в вашем деле.
Превратите таблицы в предложения: «На третий день выехать к клиенту» вместо двух столбцов. Главной защитой всё равно остаётся план, по которому видно, что машина сделала с документом. Но если подготовить документ заранее, у неё будет меньше поводов ошибиться, а занимает это обычно несколько минут.
Заголовки оставьте как есть. Мастерская делит материал по ним, и разделы вашего документа становятся темами курса. Курс получается устроен так, как вы сами представляете себе предмет, а не так, как его поделила модель.
Уберите то, что в уроке не нужно: внутренние ссылки на файлы, фамилии согласующих, номера версий, фразы вроде «смотри приложение четыре», если самого приложения не будет. Модель добросовестная и честно составит задание о том, чего не видела.
Что теряется
Картинки. Схема, нарисованная от руки, в курс не попадёт, и для сервисного регламента это настоящая потеря.
Оформление: вложенные списки, выделения, сноски. Часть смысла передаётся именно ими, и она остаётся в документе. И несколько минут времени: читать план скучно, а один уверенный клик был бы быстрее.
Почему план показан первым
Мы могли бы всё это скрыть: взять файл, извлечь текст, собрать курс и показать результат. Так эффектнее, и рекламная фраза получается сама собой: загрузите, и всё будет хорошо.
Это обещание мы бы не выполнили. Плохое извлечение не выдаёт никаких ошибок, а неверный срок обнаруживается через месяц при клиенте. Поэтому план это единственное место в мастерской, где работа останавливается и ждёт человека.
Поэтому лишний шаг и остался. Читать пять строчек плана скучно, но это сегодня. Курс с неверными сроками через месяц обойдётся дорого, и расплачиваться будут ваши инженеры, а не вы.
