Analýza 12 tisíc dokumentů a 2000 emailů pro advokátní kancelář

Zadání znělo jasně: Potřeba vyhledat desítky kombinací slov v tisícovkách dokumentů a emailů. A to vše s omezeným rozpočtem. Zprvu jsme se nechali strhnout módní vlnou a šli cestou ChatuGPT, co jiného by také člověka napadlo, když na něj AI buzzwordy skáčí už i z ledničky. Záhy jsme ale zjistili, že toto řešení připomíná spíše chytání sardinek sítí na žraloky a vydali se konzervativnější, a hlavně efektivnější, cestou.

Zpracovali jsme přes 12 tisíc dokumentů a 2 tisíce e-mailových řetězců s cílem vyhledat klíčová slova a snížit počet dokumentů k ručnímu čtení. Text jsme nahráli do databáze a dotazovali se nad ní pomocí SQL (BigQuery). Skenované PDF soubory bylo nutné převést pomocí OCR, rozsáhlé dokumenty rozdělit. Každý hledaný řetězec měl varianty díky synonymům, což vedlo k desítkám kombinací. Zavedli jsme dvě úrovně hledání – obecnou a detailní. Obecná pomohla odhalit zavádějící stopy, detailní naopak zpřesnila výsledky tam, kde bylo shod příliš mnoho.

Právní koncipienti, Advokáti

Document AI, Google Cloud Databases, Vertex AI, Google Workspace, ML & ML APIs, Productivity,

Vrcholové vedení (C‑level)

Kompletní realizace

Finálním výstupem se na základě tohoto řešení stala jednoduchá tabulka, v níž byl u každé varianty slovního řetězce uvedený počet nalezených shod a seznam konkrétních dokumentů k prozkoumání. Díky převedení všech dokumentů na prostý text se pak přesná pozice slova v konkrétním dokumentu dala najít už klasicky přes fulltextové vyhledávání.

Naše řešení klientovi ušetřilo stovky hodin mravenčí práce bez jistého výsledku.

Při takovýchto projektech je potřeba předvídat, jaký typ výstupu bude pro klienta nejužitečnější. Někdy není potřeba hledat nejvíc trendy technologii, ale osvědčené řešení. V tomto případě tabulku coby rozcestník s výstupy.

Nespoléhat se na první řešení ovlivněné trendy, ale hledat to opravdu nejefektivnější