Статья «Smart Content Ingestion» представляет промышленную систему извлечения контента для генеративного ИИ
Эта статья на arXiv (arXiv:2610.07091v1) описывает промышленный конвейер извлечения контента для корпоративных задач генеративного ИИ, в котором этап извлечения данных выполнен явно, конфигурируем и измерим. Система сочетает селективную маршрутизацию OCR, движок кураторства с приоритетом дефицита, референсный скорер извлечения, детерминированный структурно-осведомлённый чанкер «родитель‑ребёнок» и оценщик извлечения с генерацией вопросов; на корпусе из 180 документов лучший экстрактор набрал 97.4/100 (CER 0.13%, сходство таблиц 0.995), а чанкер показал hit@1 68.6%, hit@10 92.8%, MRR 0.77 по 25 050 сгенерированным вопросам.