הטמעת סיכום טקסט: אקסטרקטיבי ואבסטרקטיבי

מדוע סיכום טקסט נשבר בנפחים גדולים

במכתב קצר סיכום טקסט נראה כמו משימה פתורה. במסמך ארוך הוא מתפרק: התוכן לא נכנס במעבר אחד, חותכים אותו לחלקים, וכל חלק מכווץ בנפרד מהאחרים. המשמעות נשענת על קשרים בין פרקים — הגדרה בפרק הראשון, חריג בפרק החמישי — ובדחיסה הקשרים האלה הולכים לאיבוד ראשונים. על מדגם בקרה זה נותן שיעור ניכר של עובדות שאבדו, ואיש לא רואה אותו עד שמשווים את התמצית למקור.

כשל טיפוסי שני — התמצית משכפלת את חלק המבוא. הודעה מקדימה מוכללת ותוכן עניינים מסופרים ברצון, כי הם כבר כתובים בצורה תמציתית, ואילו הגוף עם המספרים, המועדים וההסתייגויות נושר. הבודק נאלץ לחזור לטקסט המקורי, וכל חיסכון הזמן מתאפס: במקום לקרוא את התמצית הוא קורא את שני המסמכים.

לאחר מכן מצטרף גורם שלישי — זרם הפניות גדל מהר יותר מאשר מצליחים לקרוא אותו ידנית. קריאה ידנית של הזרם מפסיקה להיות נקודת בקרה והופכת לתור: החלטות ממתינות, ואובדן המשמעות בדחיסה מתגלה רק לפי התוצאות. נבחן איך זה נסגר — היכן לשים בדיקות איכות ואיך לשמר משמעות במסמכים ארוכים.

מה נותן היישום: מהירות עיבוד ושלמות תמציות

האפקט של סיכום נמדד לא ב"איכות הטקסט", אלא בשלושה מספרים: איזה שיעור מסמכים עובר בלי אדם, כמה זמן לוקח המסלול מקבלת המסמך ועד תמצית מוכנה, וכמה תנאים מרכזיים לא הולכים לאיבוד.

את המדדים האלה אנו מודדים על מדגם מתויג של מסמכי הלקוח לפני ההפעלה וחוזרים עליהם בזרם אמיתי — ואז השיחה היא על עובדות, לא על התרשמויות.

שלמות וקוהרנטיות של תקציר

שלמות נחשבת לפי יישויות שנשמרו: צדדים, סכומים, מועדים, התחייבויות, מספרי סעיפים. גישה אקסטרקטיבית מבטיחה שהניסוח נלקח מהמקור מילה במילה, אבל נותנת "פרוסות" של משפטים; אבסטרקטיבית כותבת טקסט קוהרנטי, אך דורשת בדיקה לאי-דיוקים בעובדות.

לכן אנחנו מציבים סכמה היברידית: חילוץ וציטוטים — עבור בלוקים בעלי משמעות משפטית, ופרפרזה — עבור החלק התיאורי. כתוצאה מכך אין צורך לכתוב את התמצית מחדש: שיעור התיקונים יורד מ-40–60% בהתחלה ל-10–15% לאחר כיוונון על קורפוס הלקוח.

כמה עבודה ידנית מוסרת מעובדים

זרמים טיפוסיים — פניות, פרוטוקולי פגישות, חוזים, דוחות — עוברים לעיבוד אוטומטי לחלוטין, אם המסמך נכנס למחלקה המוכרת למערכת. בלי אדם עוברים 70–90% ממסמכים אלה, השאר מסומנים ומועברים לבדיקה יחד עם ציון המקום שבו המודל מסתפק.

הזמן עד לתמצית מוכנה מתקצר משעות המתנה בתור אצל עובד לדקות, ואיתו נעלם סוג השגיאות "התנאי נמצא בטקסט, אבל אף אחד לא קרא עד הסוף". את העיבוד פורסים על התשתיות שלנו על מודלים מסוג Llama — הנתונים אינם יוצאים ממתחם הלקוח, ושאלת תיאום הייצוא לא מתעוררת.

סיכום טקסט אקסטרקטיבי ואבסטרקטיבי: השוואת מצבים

מצב אקסטרקטיבי מחזיר את המשפטים המקוריים: העובדות אינן מעוותות, אבל הטקסט נשאר קרוע. אבסטרקטיבי מפרפרז במילים שלו — נקרא חלק, אבל מופיעים פרטים שלא היו במקור. סכמה היברידית "קודם בחירת קטעים, אחר כך פרפרזה" מסירה את שני הקצוות, אם הפרפרזה מוגבלת למה שנבחר.

הבחירה בין שירות חיצוני, מודל עצמי והיברידי נקבעת לא לפי האיכות על מדגם בדיקה, אלא לפי היכן הנתונים חיים ומי אחראי לטעות במסמך המוגמר.

מה לוקח על עצמו שירות חיצוני

טקסטים אוניברסליים: שפות, עמידות לשגיאות כתיב, עדכון מודל בלי השתתפותכם. שירותים חיצוניים כמו OpenAI נותנים מצב אבסטרקטיבי מוכן, שנבדק על קורפוס רחב. נקודת תורפה אחת: לקסיקון תחומי השירות מנרמל בדרכו שלו, ואת זה אפשר לבדוק רק על המדגם שלכם.

היכן הכרחי מתחם משלכם

נתונים אישיים, סוד מסחרי, תקנות ענפיות — הטקסט לא יוצא מהמתחם שלכם. מצב אקסטרקטיבי כאן עובד כביטוח: בתמצית רק ניסוחים מקוריים, וסכמה היברידית מוסיפה פרפרזה מעל מה שנבחר. מגבלות השיטות נמדדות על המסמכים שלכם: שיעור העובדות שאבדו ושיעור הפרטים המומצאים.

איך אנחנו מיישמים: שלבי עבודת הנדסה

סדר העבודה נבנה כך שאיכות התמצית תימדד, ולא תידון לפי טעם. כל שלב מסתיים בארטיפקט שאפשר לפתוח ולבדוק: לגישת כיוונון המודל אנחנו מגיעים עם הגדרה קבועה מראש של תוצאה טובה.

1. ביקורת קורפוס. מנתחים מסמכים אמיתיים: פורמטים, שפות, שיעור סריקות, אורך טקסטים, טבלאות וקבצים מצורפים. התוצאה — דוח על התאמת הנתונים ורשימה של מה שמנקים לפני הזנה למודל.
2. סכמת עיבוד. קובעים היכן מתאים סיכום אקסטרקטיבי (מהיר, הקטעים נשארים מילה במילה), והיכן אבסטרקטיבי (פרפרזה עם ניסוח מחדש). מקבעים חלוקה לבלוקים, חפיפה והתנהגות במסמכים קצרים.
3. כיוונון. מרכיבים את העיבוד ומכווננים את מידת הדחיסה: כמה עובדות ופרטים צריכים להישאר בתמצית.
4. מדגם בקרה. מריצים מסמכים שהמודל לא ראה בכיוונון, ומשווים את התמציות לתקן.
5. קבלה. משווים את התוצאה לקריטריונים המוסכמים, מקרים שנויים במחלוקת מנתחים שורה אחר שורה.
6. מסירת הפתרון. מוסרים קונפיגורציות, תיאור סכמת העיבוד והוראות הפעלה, ומאמנים את צוות הלקוח.

קריטריוני קבלה לאיכות תמציות

מסתכלים על שלושה דברים: האם העובדות המרכזיות נשמרו, האם אין פרטים מומצאים, והאם התמצית נכנסת לנפח שהוגדר. בנפרד בודקים יציבות — אותו מסמך בסדר בלוקים שונה לא אמור לתת מסקנות סותרות. את הסף לשיעור התמציות התקינות מסכמים לפני תחילת העבודה, כדי שהקבלה תהיה פורמליות ולא משא ומתן.

מה נשאר אצלכם: קונפיגורציות, סכמות, תקנות

לאחר מסירת הסיכום נשאר אצלכם לא "מודל בענן של הספק", אלא מתחם עבודה שאפשר לפתח ולהעביר בכוחות עצמכם. אנחנו מוסרים לא מצגת, אלא סט ארטיפקטים: לפיהם מהנדס שלא השתתף בפרויקט פורס ומכוונן את המערכת מחדש.

• קונפיגורציות עיבוד — פרמטרים לחלוקת טקסט לקטעים, אורך יעד של תקציר, ספי חיתוך של בלוקים חסרי חשיבות, עם הערות מה לשנות לכל סוג מסמך.
• סכמות זרימת נתונים — מהמקור (קובץ, API, בסיס נתונים) ועד להפקת התמצית, עם נקודות בקרה ידניות מסומנות וענפי נסיגה.
• כללי הפרדת גישה — מי רואה את הטקסט המקורי, מי רק את התקציר, איך מוקצים תפקידים ותחומי ראייה ברמות שונות.
• תקנון בדיקה ידנית — גודל המדגם, קריטריוני קבלה, פעולה במקרה של אי-התאמה והאחראי לאישור.
• הוראות לעובדים — איך לשלוח מסמך לעיבוד, מה לעשות עם תקציר שגוי, ולאן לדווח על תקלה.
• סט טקסטים לתקן — דוגמאות עם תמצית מצופה; מריצים אותן אחרי כל שינוי בקונפיגורציה.
• יומן מדדים — דיוק לפי יישויות מרכזיות ושיעור התקצירים שנשלחו לתיקון.

איך לתחזק את הפתרון בכוחות עצמכם

תיקונים בניסוחי השאילתה, במילונים ובספים מוכנסים לקונפיגורציה ולא דורשים בנייה מחדש. אחת לרבעון הריצו את סט התקן, השוו את המדדים לחתך הקודם, ובמקרה של ירידה באיכות חזרו לגרסת הקונפיגורציה הקודמת — היא נשמרת לצד הנוכחית.

מקרה בוחן: זמן עיבוד זרם הפניות התקצר פי שלושה

הלקוח — חברת שירותים עם צוותים מבוזרים: במאגר פנימי מבוסס Confluence הצטברו אלפי תקנונים, פרוטוקולי פגישות ומפרטים טכניים. אנליסטים קראו ידנית זרם של כ-400 מסמכים בחודש כדי לאסוף תמציות קצרות להנהלה. על תמצית אחת הושקעו 25-30 דקות, התור גדל מהר יותר מאשר סולק, והחלטות התקבלו לפי סיכומים מיושנים.

מה היה לפני

הבעיה המרכזית הייתה פספוסים במשמעות. קריאה ידנית הניבה 30-34 סעיפים מרכזיים שאבדו על כל אלף מסמכים: מועדים, תלויות ואחראים נשרו מהתמצית אם נכנסו לנספחים או טבלאות. שיעור התמציות האוטומטיות לחלוטין היה אפס — ניסיון מכונה דרש תיקון בידי אדם, וחיסכון בזמן לא נוצר.

מה השתנה לאחר היישום

הרכבנו סכמה דו-שלבית: בחירה אקסטרקטיבית של משפטים לפי קרבה סמנטית לשאילתה, ואחר כך ניסוח מחדש אבסטרקטיבי עם בדיקת עובדות ושמירת קישורים לקטעים המקוריים. המודל אומן על קורפוס פנימי ועובד בביטחון עם המינוח של הלקוח, כולל טבלאות וקבצים מקוננים.

לאחר היישום 78% מהתמציות נכנסות לעבודה בלי תיקונים, ו-22% הנותרים דורשים קריאה חטופה — בממוצע 4 דקות במקום 30. מספר הפספוסים במשמעות ירד ל-3-5 לאלף מסמכים, וזמן עיבוד הזרם התקצר פי שלושה.

מה לעשות אם תמציות קצרות מייצר שירות חיצוני

שירות חיצוני מחזיק את הזרם כל עוד הטקסטים אחידים ולא רגישים. ברגע שנכנסים אליו חוזים, התכתבויות או מסמכי כוח אדם, נוצר מתחם נתונים שאינכם שולטים בו, ואיתו — מגבלות על קצב השאילתות והחלפת גרסת מודל בלי התראה. תמציות על אותן קלטים מתחילות להיות שונות, ואין על מה לקבע מדד איכות.

העברת עיבוד לא נעשית במתג אחד. תחילה הרצה בצל: המתחם שלכם מעבד את אותו מדגם, והתמציות מושוות לפי כיסוי יישויות מרכזיות ושיעור עובדות שאבדו.

אחר כך ניתוב — מסמכים רגישים וארוכים עוברים פנימה, מנוטרלי זהות נשארים בחוץ, והתור במקרה של אי-זמינות כתובת חיצונית עובר למתחם שלכם בלי לאבד משימות.

תאימות סכמות חוסכת הכי הרבה זמן. שומרים על חוזה קודם: אותם שדות בקשה ותשובה, אותו פורמט פלט, אותם קודי שגיאה וכללי ניסיונות חוזרים — השירות הקורא מחליף רק כתובת, דרך קונפיגורציה, בלי שינויים בקוד.

את האפשרות בוחרים לפי מספר: שיעור הפערים במדגם בקרה משותף והנפח שאחריו השירות החיצוני מפסיק להחזיק את הזרם.

ספקות טכניים לפני תחילת הפרויקט

ספקות לפני ההתחלה רק לעיתים נדירות נוגעים למודל עצמו — לרוב השאלה היא אם ניתן למדוד את איכות הסיכום ולעמוד במגבלות הנתונים. להלן ארבע שאלות שנשאלות כמעט בכל הערכה, עם תשובות ענייניות.

מה קורה עם טבלאות, סכמות ורשימות?

טבלה מנותחת שורה אחר שורה: כל שורה מתוארת בטקסט ונכנסת לתמצית, והרשת עצמה נשמרת כבלוק נפרד. סכמות מעובדות יחד עם כיתובים — אחרת הכיתוב מאבד את הקשר לנתונים ובתמצית מופיע מספר שגוי.

מסמכים סגורים — לאן הולך הטקסט?

העיבוד נפרס במתחם הלקוח: המודל, המשקלים והיומנים נשארים בפנים, והשירות אינו פונה החוצה. אם נדרש מודל חיצוני, החוצה נשלחים קטעים מנוטרלי זהות, ולא המסמך כולו.

טקסטים רב-לשוניים ומינוח צר — שירות אחד יספיק?

השפה נקבעת לפי פסקה, מילוני מונחים מנוהלים בנפרד לכל שפה ומיושמים בעיבוד שלאחר מכן. בלי מילון, המודל מחליף מונח ענפי במילה נרדפת כללית — התמצית נקראת חלק, אבל המשמעות הולכת לאיבוד.

נדון במשימה: מה להכין לשיחה

ככל שהנתונים הראשוניים מדויקים יותר בהתחלה, כך פחות סבבי הבהרה וההערכה מדויקת יותר. להלן רשימה של מה שמאיץ את ניתוח המשימה: אם סעיף מסוים עדיין לא מוגדר, אין בעיה — נקבע אותו יחד בשיחה.

• 5–10 דוגמאות של מסמכים אמיתיים שצריך לקצר: מכתבים, דוחות, פרוטוקולי פגישות, פניות לקוחות. די בעותקים מנוטרלי זהות.
• נפח הזרם: כמה מסמכים ביום ובחודש, אורך ממוצע ומקסימלי, עומס שיא.
• תוצאה מצופה: תמצית במשפט-שניים, תזות מובנות או גרסה מקוצרת עם שמירת הניסוחים המקוריים.
• שפות ומינוח: שפות עבודה, קיצורים ענפיים ושמות שאסור לשנות.
• דרישות סודיות: היכן מעובדים הנתונים — במתחם שלכם או בצד שלנו, האם יש מגבלות על העברת טקסטים לשירותים חיצוניים, האם נדרשים יומני גישה.
• מגבלות תרחיש: מהירות תגובה, שיעור בדיקה ידנית של התוצאה, התנהגות המערכת כשהיא לא בטוחה.
• אחראים בצד שלכם: מי נותן דוגמאות, מי מקבל את האיכות, מי מאשר שינויים.

לאחר הדיון במשימה נחזור עם הערכה ותוכנית עבודה: אילו שלבים, מה עושים בכל שלב, איך מודדים את איכות הסיכום ובאיזה שלב אפשר לעצור או להרחיב את הפתרון.