VoiceRecord_Result/transcripts/2026-08-06_rec_20260806_183851.m4a.txt

# source: 2026-08-06/rec_20260806_183851.m4a
# model: Systran/faster-whisper-small
# transcribed: 2026-10-21T18:34:39Z

[00:00:00] Чуть-чуть буквально обработали, но у нас, как бы, если так, в двух словах сказать порядка
[00:00:05] 20 000 требований приводит к тому, что у нас 20 000 свайтов. Ну и в среднем где-то 1,5%
[00:00:19] этого числа условно, может быть, и так, но уже сейчас есть 1000 тл. А если мы обработаем все
[00:00:26] 20 000 документов, то есть, возможно, будет там 4 000. Ну суть даже не будет, пока мы говорим прямо про
[00:00:32] конкретику, допустим, здесь будет 5 000 технологических операций и на каждую технологическую операцию
[00:00:42] идут примерно 1 килобайт текста. Соответственно, на 5 000 операций будет 5 мегабайт текстов. Вот если
[00:00:52] мы это все засовываем в контекстный окно для модели и говорим, только по исчинам, допустим, вот здесь
[00:00:59] 5 мегабайтов текста, то что нам надо. Это уже жаро какой-то. Тебе выходит просто тупо за границей,
[00:01:07] ну, лучших моделей 1 миллион токенов контекстных окно. Во-первых, это будет сжирать все на свете,
[00:01:17] и бабло тут просто не мирное нужно будет платить. Второй, соответственно, вопрос, это будет не очень
[00:01:28] эффективно. Если это на собственную железу, то вообще не на подъем, и так далее. Но на самом деле, мы
[00:01:34] стараемся с классичной. Вот теперь вопрос. Мы сейчас, например, наденевировали, то есть,
[00:01:40] если сейчас вот вопросики, я бы так сказал, у меня вот какая-то ориенация, канонизация, потому
[00:01:45] что если каждый под сам туда генерирует какие-то ТО, нелегие на то, что там есть, то это нехорошо.
[00:01:52] Есть, соответственно, теперь конкретные задачи. Вот у нас есть группа профессий, и мы хотим поискать
[00:02:05] вот в тех уже ТО, которые выделили и привязать их к экологическим. Вот мы, какую задачу сейчас
[00:02:14] обсуждаем. И то, что нам пока порекомендовал агент, то есть, это поиск, вот, а потом внутри
[00:02:21] его уже поискать, полный каталог, адресом во всех вызовов в Симонский УВА, и просто единобродно
[00:02:27] напирается в контекст модели. Вот, значит, это не рабочий вариант, это точно. С Потомом,
[00:02:33] это вариант, я бы так сказал, притям этот звал уже шинкл. То есть, нужно с когревского отню подказываться,
[00:02:41] потому что есть Пота, где очень разные искусские, есть Пот очень большие, есть Пот очень маленькие,
[00:02:47] там в холодильной установке 50 требований Пот, сельское хозяйство, тысяча, сколько там,
[00:02:53] тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча,
[00:03:01] тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, (повтор ещё 2×)
[00:03:20] у них рамно туда другое, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча,
[00:03:23] тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, тысяча, (повтор ещё 3×)
[00:03:42] 60. Ну и так далее. Короче, они очень неравномерны. Поэтому этот вариант, то есть зерно, зерно
[00:03:50] рационально, то есть искать с помощью LLM в небольшом количестве О, но как бы конкретно подходно на
[00:04:02] риску, то есть вот хребульно. Ну и последняя агита этого виза без дискримшену во всех
[00:04:10] рёхких промплей LLM составляет по названию, а не по карточке бронез, качество сшивки по
[00:04:15] дагет. Вот у нас как бы проблема, ну как бы задача сделать вот этот, вот как в пластике жанра это решается,
[00:04:25] например, в риск профиль. Ну, человек с лицей выбирает метод выборов. Это при настройке базызнания.
[00:04:34] Ну то ли садится, загружает в своё кофецное окно. Значит, не очень большое, кстати, 20 000 в голову
[00:04:44] загрузил. Ну вот как там небольшой объём информации, тот в прицепе. И так база знания,
[00:04:53] 400, ну это сам. Так ищут, собственно, простые смены.