«آرشیو ما فقط PDF تمیز نیست»
یکی از اعتراض‌های رایج در جلسه‌ی شناخت دانابات این است: «آرشیو ما بیشتر اسکنهای قدیمی است، جلساتمان را ضبط می‌کنیم و قیمت‌ها در جدول‌های Excel پراکنده است. دانابات به درد این‌ها می‌خورد؟» این پرسش از جنس همان نگرانی‌هایی است که با دیدن دموی تمیز دور میشود، اما بعد از امضا برمی‌گردد.
این مقاله فهرست روشنی از چیزی است که دانابات میپذیرد، چه کاری روی آن انجام می‌دهد و چه چیزهایی هنوز دستی است یا به کیفیت فایل شما بستگی دارد. هدف این است که پیش از شروع بدانید آرشیو واقعی‌تان با چه چیزی روبه‌رو میشود.
اصلی که کار را ساده میکند: فرمت تحمیل نمیشود
یکی از اصول بنیادی دانابات این است که فرمت تحمیل نمیشود: دانابات هر فایلی را میپذیرد و خودش به متن استاندارد تبدیل میکند. الگوها فقط پیشنهادند. این اصل یک ملاحظه‌ی عملی مهم دارد: سازمان لازم نیست پیش از شروع، آرشیو خود را بازنویسی یا یکدست کند. پروژه‌ی «اول همه‌چیز را استاندارد کنیم» که سال‌ها طول می‌کشد، پیش‌شرط نیست.
انواع محتوایی که دانشنامه میپذیرد شامل سند متنی (PDF، Word و مانند آن)، سند اسکنشده، فایل صوتی، جدول Excel و CSV و متن مستقیم است. بقیه‌ی این مقاله به سه نوع سخت‌تر می‌پردازد: اسکن، صدا و جدول.
سند اسکنشده: متن استخراج میشود، انسان بازبینی میکند
اسناد اسکنشده در اصل تصویرند. برای اینکه بشود از آن‌ها سؤال پرسید، متن باید از تصویر استخراج شود. دانابات متن استخراجشده از اسناد اسکنشده را میتواند پیش از استفاده برای بازبینی به انسان بدهد.
این جمله‌ی کوتاه یک تصمیم طراحی مهم را نشان می‌دهد: استخراج خودکار متن از یک نامه‌ی اسکن‌شده‌ی قدیمی هیچ‌وقت صددرصد نیست. یک عدد اشتباه در یک بند قرارداد یا یک شماره‌ی نامه که غلط خوانده شده، میتواند پاسخ را گمراه کند. بازبینی انسانی قبل از ورود متن به دانشنامه، همان جایی است که این خطا گرفته میشود.
هزینه‌اش را هم باید دید: بازبینی کار و زمان می‌خواهد. اگر ده هزار نامه‌ی اسکنشده دارید، بازبینی همه‌ی آن‌ها منطقی نیست. معنایش این است که باید انتخاب کنید کدام اسناد ارزش بازبینی دارند.
بررسی فایل پیش از آپلود
یک ابزار کوچک اما کاربردی هم وجود دارد: دانابات مشکلات فایل را پیش از ورود به دانشنامه گزارش می‌دهد. نمونه‌هایی که سند محصول ذکر میکند، متن غیرقابلخواندن و جدول شکسته است.
ارزش این بررسی در این است که خطا را در مبدأ می‌گیرد، نه بعد از اینکه کاربر یک پاسخ عجیب دیده باشد. اگر یک فایل با متن ناخوانا وارد شود و کسی هم متوجه نشود، چند ماه بعد پرسشی از آن سند، پاسخی بی‌معنا می‌دهد و ریشه‌یابی سختی دارد. گزارش پیش از آپلود، این مسیر را کوتاه میکند.
صدا: جلسه‌ها و تماسها
فایل صوتی بهطور خودکار به متن تبدیل میشود. این برای سازمانی که جلسات مدیریتی یا تماس‌های پشتیبانی را ضبط میکند، یک منبع دانش بزرگ را باز میکند: تصمیم‌هایی که در جلسه گرفته شد ولی هیچ‌وقت نوشته نشد.
سه نکته را باید پیش از استفاده در نظر گرفت.
اول، کیفیت صدا روی نتیجه اثر می‌گذارد. ضبطی با نویز زیاد، چند نفر که همزمان حرف می‌زنند یا اصطلاحات تخصصی سازمان، بهطور طبیعی متن دقیق‌تری از یک ضبط تمیز ندارد. این ملاحظه‌ای عمومی درباره‌ی تبدیل گفتار به متن است، نه جمله‌ای از سند محصول؛ با یک نمونهی واقعی از ضبط‌های خودتان آن را بسنجید.
دوم، حریم خصوصی. تماسها و جلسات معمولاً شامل اطلاعات شخصی و حساس‌اند. دانابات پوشش اطلاعات شخصی در پاسخ‌ها و فهرست واژه‌های حساس را دارد، اما اینکه ضبط یک تماس یا جلسه حقوقی و سازمانی مجاز است یا نه، تصمیمی است که پیش از هر چیز باید خود سازمان بگیرد. درباره‌ی اینکه چه چیزهایی نباید وارد دانشنامه شوند، مقاله‌ی آنچه نباید در دانشنامه بگذارید را ببینید.
سوم، استخراج دانش از ضبط‌ها و گزارش دورهای تماسها، یک قابلیت جداگانه است (دانشکاوی) که طبق سند، بهطور پیشفرض خاموش است و باید فعال شود. تفاوتش را در مقاله‌ی دانشکاوی از تماسها توضیح داده‌ایم. ورود فایل صوتی به دانشنامه، با دانشکاوی یکی نیست.
جدول Excel و CSV
فایل‌های Excel و CSV هم وارد دانشنامه میشوند و مثل بقیه‌ی فایل‌ها به متن استاندارد تبدیل میشوند. جدول‌های قیمت، فهرست‌های تأمین‌کننده و برنامه‌های زمان‌بندی، نمونه‌های معمول‌اند.
همین‌جا باید یک تمایز را روشن کرد. دانابات برای پرسش از پایگاه داده‌ی زنده ماژول جداگانه‌ای دارد (دیتابیس هوشمند) که روی SQL Server، PostgreSQL و SQLite کار میکند. ورود یک Excel به دانشنامه جایگزین آن نیست. اگر نیاز شما محاسبه و گزارش روی داده‌ی ساختیافتهی در حال تغییر است، باید ببینید داده‌ها در یک پایگاه داده‌اند یا نه. برای جدول‌های ثابت مرجع، دانشنامه جواب می‌دهد.
نکته‌ی عملی: جدول‌های Excel که ساختار پیچیده یا سلول‌های درهم دارند، همان مواردی‌اند که «جدول شکسته» را می‌سازند و بررسی پیش از آپلود برای آن‌ها بیشترین ارزش را دارد.
ویدیو: آنچه هنوز دستی است
صراحتاً بگوییم: تبدیل خودکار ویدیو به متن هنوز ساخته نشده است. رونوشت ویدیو فعلاً دستی است. اگر سازمان شما آموزش‌ها یا جلسات را به‌صورت ویدیو ضبط میکند، باید رونوشت را خودتان تهیه کنید یا صدای ویدیو را جدا کنید و به روش صوتی بدهید.
این را اینجا می‌نویسیم چون در سند معرفی دانابات، یکی از شکل‌های منبع «زمان دقیق در ویدیو» است و ممکن است برداشت شود ویدیو خودکار پردازش میشود. چنین نیست؛ این یکی از قابلیت‌های در دست توسعه است و نباید در تصمیم خرید روی آن حساب کنید.