Ինչպես է ծրագրավորողը AI ասիստենտի օգնությամբ ուսումնասիրում տոհմածառը

Ծրագրավորողը, որը տոհմածառը կառուցում է AI ասիստենտների օգնությամբ, հրապարակել է նախորդ գրառման շարունակությունը՝ գործնական մանրամասներով։ A Java Geek բլոգում նա նկարագրում է, թե ինչպես է ասիստենտի որոնումները հենում պաշտոնական գրառումների վրա, ինչպես է ավտոմատացնում գենեալոգիական և արխիվային կայքերում զննումը և ինչ սովորեց ձեռագիրը հատուկ գործիքներով կարդալու փորձերից։

Վստահիր, բայց ստուգիր

Առաջին դասը հալյուցինացիաների մասին է։ Հեղինակը ընդունում է, որ ասիստենտը կարող է պատասխան հորինել, սակայն պնդում է, որ այդ առարկությունը կորցնում է ուժը, երբ պատասխանը հիմնված է իրական տվյալների վրա։ Իսկ գենեալոգիական կայքերն ինքնին լիարժեք վստահելի աղբյուր չեն։ Տոհմային տվյալների ստանդարտ ձևաչափ GEDCOM-ը սահմանում է QUAY որակի դաշտը. 0-ն անվստահելի կամ գնահատողական տվյալ է, 1-ը՝ կասկածելի հավաստիություն (հարցազրույցներ, ավանդույթներ), 2-ը՝ դեպքից հետո գրանցված երկրորդական ապացույց, 3-ը՝ ուղղակի և առաջնային ապացույց։

Գենեալոգիական կայքերից հավաքված տվյալները սկսվում են QUAY 2-ով. եթե քաղաքացիական կամ եկեղեցական ակտը հաստատում է, գրառումը բարձրանում է QUAY 3-ի, այլապես դեն է նետվում։

Արխիվների ավտոմատացում

Արխիվային կայքերը տարբերվում են երկու առանցքով՝ բաց հասանելիություն կամ հաշվի պահանջ, և բոտերի արգելափակման խստություն։ Ամենաթույլ պաշտպանությունը կարդացվում է curl-ով, միջինին պետք է ամբողջական դիտարկիչ՝ Playwright-ի կառավարմամբ, իսկ ամենախիստ կայքերը Cloudflare-ի պաշտպանության հետևում են, որտեղ նա Chrome-ը միացնում է debug ռեժիմում։ Այդ վերջին մեթոդը փխրուն է, քանի որ դիտարկիչի փակումը դադարեցնում է աշխատանքը, ուստի նա նախընտրում է Playwright-ը մշտական սեսիայի պրոֆիլով. մեկ անգամ մուտք գործել, փակել դիտարկիչը, և հետո ասիստենտը աշխատում է նույն հասանելիությամբ։ Ասիստենտին սեփական գաղտնաբառերը տալը, հավելում է նա, խելացի քայլ չէ։

Տեքստի վերծանման փորձեր

Ակտերի վերծանումը կարևոր է, իսկ դժվարությունը կախված է գրագրի ձեռագրից, լեզվի իմացությունից և փաստաթղթի տարիքից։ Ասիստենտը զգույշ էր ու գուշակության փոխարեն տեղապահ էր դնում։ Մյուս գործիքները վատ դրսևորվեցին. Transkribus-ը անիմաստ տեքստ վերադարձրեց և, ինչպես հեղինակը հետո կարդաց, պահանջում է ուսուցում օգտատիրոջ սեփական փաստաթղթերով, kraken-ի վրա հիմնված լոկալ լուծումը գերազանցեց Transkribus-ին, բայց զգալիորեն զիջեց ասիստենտին, իսկ ֆրանսիական Filae կայքը հիանալի արդյունքներ էր տալիս ֆրանսերեն ձեռագրի դեպքում, սակայն ծառայությունը, ըստ երևույթին, անջատվել է։

Ինչ ստացվեց

Զեկույցը նկարագրում է նաև ցիկլ. պաշտոնական գրառումներում գտնված նախնիները նրան հետ են բերում գենեալոգիական կայքեր, որտեղ խելացի համընկնումների էվրիստիկան կարող է գտնել մարդկանց, որոնք արդեն կան ուրիշների ծառերում։ Նա զգույշ է վերաբերվում այդ համընկնումներին, որովհետև մեկ սխալ հաստատումը կարող է փչացնել մի ամբողջ ճյուղ, թեև դրանք օգնում են գտնել ազգանվան գրության այլ տարբերակներ։ Այժմ նախագծում ավելի քան 1200 մարդ կա և 13 սերունդ մեկ ճյուղում։