TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #851 · 2.08

Впервые использовал нейросетку для реальной практической пользы в коммерческом заказе. У заказчика есть база данных, куда информация вносится кое-как. Представьте, что вы составляете каталог, например, книг, и в базе данных предусмотрены поля: "Автор книги", "Название книги", "Число страниц" и ещё десяток других полей с информацией. Но заполняют эту базу другие люди, которых вы не контролируете, поэтому информация может случайным образом лежать в любом произвольном поле, быть введена с ошибками, опечатками и так далее. В реальном заказе были не книги, я просто привожу пример такой же задачи. Вот как это может выглядеть: 1. В поле "Автор" написано "Лондон, Дж. Белый Клык", поле "Название" при этом пустое. 2. В поле "Название" написано "150-страничный сборник рецептов", поле "Число страниц" пустое 3. В поле "Название" написано "джеклондон мартин иден", поле с автором пустое 4. В поле "Автор" написано "150-стр.3изд,доп.перераб инструкция по пользованию подстанциями типа ТП-13, М.Васильев москва 98" ...и так далее. А нужно искать нормально по автору, названию, числу страниц, городу и году издания. Никакими прямыми алгоритмами это не берётся: регулярки, поиск по ключевым словам, морфология, нечёткая логика — всё это либо даёт много ложноположительных результатов, либо (если подкрутить пороговые значения) вообще перестаёт искать. И вот тут в какой-то момент мы решили попробовать запрашивать через API GPT. Нейросетке задаётся следующий промт: "Есть следующая информация: «150-страничный роман джеклондон мартин иден». Если здесь есть то, что похоже на имя автора книги, напиши мне его, иначе ответь null". И, надо сказать, даже 3.5 справляется с этой работой очень хорошо. Получилось сравнительно без ошибок разметить около 80% данных (остальные с ошибками даже после нейросетки). Но, важный нюанс. Сначала мы пытались поймать все данные одним запросом: "GPT, выведи мне JSON, в котором есть автор, название, число страниц...", но тесты показали, что значительно эффективнее будет отдельно спросить 5 раз про 5 разных типов данных. Да, это расходует больше токенов, но они и так сравнительно дёшевы. Кстати, API у OpenAI безбожно глючит даже на платном тарифе. Обещанных 3500 запросов в минуту нет даже приблизительно. По факту удаётся отправлять около 200-300 запросов в минуту, потом оно вываливается в таймауты или ошибку 429, нужно делать какие-то умные паузы, ждать итд. Над этим всем пришлось повозиться, зато результат вполне ощутимый. #dev

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #statementofclaim

当前筛选 #statementofclaim清除筛选
English Law Report

@enlawreport · Post #1882 · 24.01.2026 г., 04:52

✍️Как реально “собирается” Statement of Claim по английскому праву (без магии и пафоса) Большинство думает, что Statement of Claim пишется так: “сел, вдохновился, красиво изложил и подал”. На практике это больше похоже на инженерную сборку, где любое слабое звено ломает весь корпус: факт, доказательство, причинность, формулировка, логика. Вот как это устроено, если делать грамотно. 1) Client intake & instructions (вход клиента и “что вообще хотим”) Первый шаг не про право. Он про реальность. ✅ Что именно произошло? ✅ Чего клиент хочет на выходе? Деньги? запрет? декларацию? ✅ Где спор будет жить: High Court, арбитраж, другая юрисдикция? 📌 Ошибка №1: начать писать “претензию” до того, как ты понял цель и площадку. 2) Fact collection & evidence assembly (факты + доказательства) Ты не пишешь историю. Ты строишь доказуемую картину. 🔹 контракты, переписка, инвойсы, акты 🔹 хронология событий (по дням и документам) 🔹 ключевые моменты: кто что сделал/не сделал/сказал/подписал ⚠️ Если тут слабое место, то дальше всё будет “вилами по воде”. Не будет доказательств = не будет кейса. 3) Legal qualification (юридическая квалификация) Только теперь включается право. ✅ какое право применимо ✅ какие causes of action (основания иска) ✅ какие duty/standards (обязанность и стандарт нарушения) 📌 Ошибка №2: “мне кажется это fraud / negligence” без привязки к фактам и элементам. 4) Issue framing (упаковка спора в понятные суду вопросы) Тут ты превращаешь хаос в структуру: где breach (нарушение) какая liability theory (теория ответственности) как работает causation logic (причинная связь) ⚠️ Главный убийца кейса: causation gap Когда вред вроде есть, нарушение вроде есть… а связать их логически нельзя. Иногда честный вывод тут один: discard (не тратить время, закрыть направление, поменять стратегию). 5) Structure of Statement of Claim (скелет документа) Хороший Statement of Claim читается как точный маршрут: Parties & Jurisdiction Factual background Breach & wrongdoing Causation Damages Relief sought 📌 Ошибка №3: “слишком много эмоций” и “слишком мало конструкции”. Суд не нанимался угадывать. 6) Drafting & iteration (черновики, правки, “снять жир”) Один драфт почти никогда не бывает финальным. версии документа внутренний ревью переписывание слабых мест вычищение лишних слов, повторов и противоречий Это этап, где текст становится оружием, а не “рассказом”. 7) Verification & consistency check (проверка на прочность) Финальная проверка выглядит просто, но это самая дорогая часть работы: ✅ каждое утверждение = подкреплено доказательством ✅ внутренняя логика без дыр ✅ противоречия убраны ✅ narrative совпадает с документами И только после этого документ превращается в: 📄Filed pleading (поданное процессуальное заявление) 🎯 Главная мысль Statement of Claim это не “текст юриста”. Это система: факты → доказательства → право → причинность → структура → проверка. Если ты пропустил один блок, то в суде тебя “разберут” за 10 минут. #EnglishLawReport#Litigation#StatementOfClaim#LegalWriting#DisputeStrategy#Arbitration#CommercialCourt