Умный поиск документов: как находить информацию по смыслу, а не по названию файла

«Договор_финал_2_правки_последний.docx» — имя файла, которое есть в каждом архиве. Через полгода никто не помнит, чей это договор, о чём и почему он финальный дважды.

Поиск по названиям на таких данных бессилен по построению: название не описывает содержимое. Разберём, что работает вместо и где у этого границы.

Почему поиск по названию не находит

Три причины, и все три встроены в то, как люди работают с файлами.

Имя пишет автор, а ищет другой человек. Автор знает контекст и называет «Смета Петров». Ищущий помнит только «та смета на кровлю в Химках».

Имя устаревает. Документ правился восемь раз, суть менялась, имя осталось от первой версии.

Имя не содержит ключевого. Сумма, срок, заказчик, предмет — всё это внутри, а снаружи только «Договор_2».

Поиск по полному тексту помогает, но частично: он находит совпадение слов. Если в документе написано «устройство кровельного покрытия», а вы ищете «крыша», он не найдёт.

Что делает поиск по смыслу

Тот же принцип, что и в поиске по товарам: сопоставление идёт не по написанию, а по содержанию.

Что это даёт практически:

• «договор на крышу в Химках» находит документ со словами «устройство кровли, г. Химки»;
• «где мы прописывали сроки поставки» находит нужный пункт, а не файл целиком;
• «что мы отвечали этому клиенту по гарантии» собирает несколько документов вокруг одной темы.

Ключевая разница с поиском по словам: вы ищете то, о чём документ, а не то, какими словами он написан.

Что нужно, чтобы это работало

Текст должен быть извлекаем. Главная практическая проблема архивов: сканы. PDF, который на самом деле фотография страницы, не содержит текста вовсе, и найти в нём нечего, пока не прогнан через распознавание.

Форматы должны читаться. Обычный набор — pdf, docx, xlsx, txt. Экзотика и старые форматы требуют отдельной возни.

Нужны права доступа. Поиск по общему архиву не должен показывать сотруднику то, чего ему не положено видеть. Это не техническая деталь, а требование, с которого стоит начинать.

Нужна ответственность за актуальность. Архив, где лежат три версии одного договора, будет находить все три. Поиск не решает, какая действующая, — это вопрос порядка в хранении.

Где поиск по смыслу ошибается

На числах и точных значениях. «Договор на 450 тысяч» — смысловой отбор тут слабее обычного точного поиска. Числа, даты, номера ищутся точным совпадением, и это нормально.

На именах собственных. Фамилия, название компании, адрес — то же самое: точное совпадение надёжнее.

На очень коротких документах. Из справки в три строки достать содержание почти нечего.

На однотипных документах. Тысяча одинаковых актов различается только реквизитами. Здесь поиск по смыслу найдёт «все акты», а нужен-то один.

Практический вывод: смысловой и точный поиск дополняют друг друга. Смысловой отвечает на «о чём», точный — на «где именно эти цифры». Система, где есть только один из двух, неудобна.

Практический пример: три запроса в архиве подрядчика

«что мы делали на объекте в Одинцово»

Смысловой поиск справляется: собирает договоры, сметы, акты, где упоминается объект, даже если в одних написано «г. Одинцово», а в других «Одинцовский р-н».

«договор, где была рассрочка на три платежа»

Тоже справляется: условие описано словами, и в разных договорах оно сформулировано по-разному.

«счёт на 128 400 рублей»

Здесь нужен точный поиск. Смысловой отбор по числу работает плохо, и притворяться иначе не стоит.

Отдельный случай: документ как запрос

Есть родственная задача, которую часто путают с архивным поиском, хотя она устроена иначе.

Клиент присылает не запрос, а файл: смету, спецификацию, техническое задание, список позиций. Нужно не найти документ, а разобрать его и подобрать по нему товары.

Это ровно та сторона, которой AISSE и занимается: умный поиск по документам, когда клиент прислал смету.

Разница принципиальная: в архивном поиске документ — это то, что ищут. Здесь документ — это то, чем ищут.

Чего ждать не стоит

Что поиск наведёт порядок в архиве. Он сделает беспорядок находимым, но не разберёт его. Дубли, устаревшие версии и файлы без владельца останутся.

Что он заменит структуру хранения. Папки и правила именования всё ещё нужны — хотя бы для того, чтобы понимать, какая версия действующая.

Что сканы заработают сами. Их надо распознать, и это отдельная работа с отдельным бюджетом.

Что можно обойтись без прав доступа. Наоборот: чем лучше поиск, тем заметнее любая дыра в правах.

Итог

Название файла не описывает его содержимое, поэтому поиск по названиям бесполезен в любом реальном архиве. Полнотекстовый поиск находит слова, смысловой — тему.

Работающая связка — оба сразу: смысловой для «о чём это было», точный для номеров, сумм и фамилий.

И отдельно стоит задача, которую легко перепутать с архивной: разобрать присланный клиентом документ и подобрать по нему товары. Там документ не результат поиска, а сам запрос.

Посмотреть, как документ работает запросом

Если к вам приходят сметы и спецификации от клиентов, эту часть можно проверить на своём каталоге. Демо AISSE собирает каталог по адресу сайта — дальше видно, как список позиций из документа превращается в подбор.