01
レイアウト
構造は解析を生き延びる
結合セルは結合されたまま。段組みの見出しは階層を保ちます。多段組のページは正しい順序で読まれ、組版ページの間に挟まったスキャンも、残りの文書を落とさずに処理します。
- 結合表・入れ子の表は平文に潰さず再構成
- 多段組・レイアウト混在のページを論理順で読む
- 同一ファイル内でスキャンページとボーンデジタルを併せて認識
プラットフォーム · ドキュメントインテリジェンス
セル単位まで解析し、ページまでたどれる
最も重要な文書は、たいてい最も手のかかるものです。300 ページの届出、附属明細が入れ子になった契約書、半分が表計算で半分がスキャンの品質報告書。DataFact はその構造を保ち、どの部分がどこから来たかを覚えています。
何が保存されるか
1 ページがラベル付きの領域になる
文書を読むことと、平らに潰すことは別です。DataFact はページ上の各領域が何で、何を含み、どこにあるかを記録します。だから記憶は人が見て分かる形を保ちます。
それらの領域こそ、あとでエージェントが取り出すものであり、読み手が自分で出所を確かめたいときに案内される先です。
本文y 118–186
表 · 結合セル
y 204–288
| 区分 | Q1 | Q2 |
| 4.2% | 4.8% |
図y 306–392
みんなが避ける文書のために
ここにあるものはすべて、実際のコーパスがより単純な方法を壊したから存在しています。
02
断片
3 種類を分けて保つ
本文・表・図は別種の断片として保存されます。表はグリッドを保つので、問い合わせも表としての描画もできます。図は画像を保つので、ファイル名ではなく答えの中に戻ってきます。
- 本文断片は検索用のキーワードと生成質問を持つ
- 表断片は行と列の構造を保つ
- 図断片は画像とキャプションを一緒に保つ
03
座標
断片は自分の居場所を知っている
各断片は、取得元のページとそのページ上の領域を記録します。これが引用を実用的にします。答えが 12 ページと言えば、ビューアが 12 ページを開き、その領域を正確に囲みます。
- 断片ごとにページ番号と領域を保存
- 引用は元ファイルを該当領域で開く
- 本文だけでなく表や図にも有効
04
レビュー
再アップロードなしで直せる
難しいコーパスでは、初回の解析が完璧になることはありません。断片はその場で閲覧・編集・分割・結合・無効化・再インデックスできるので、表が 1 つ崩れても 400 ページを取り込み直す必要はありません。
- 文書が生んだ全断片をページプレビュー付きで一覧
- 断片ごとに内容・キーワード・質問を編集
- 断片を無効化して、削除せずに検索から外す
- 別の戦略で再解析して比較
図は本文と一緒に返る
文書の有用な部分が図であるとき、ファイルへのリンクは答えになりません。DataFact は図そのものを、それを引用する文と、切り出したページとともに返します。
本文
主張の出どころとなった段落または表のセルを、ページ番号付きで全文引用。
表
行そのものを、結合セルを保ったまま表として描画。スクリーンショットではありません。
図
画像をインラインで表示し、元ファイル上で占める領域を示します。