Rudolf Steiner 347 kötete egy adatbázisban. Bármelyik bekezdés megtalálható jelentés szerint is, magyar kérdéssel, forrással. A legnehezebb rész egy gépi munka volt: minden bekezdést számokká alakítani. Nézd meg, mennyi ideig tartott.
Minden pont 100 bekezdés. Zöld: a GPU már beágyazta.
Steiner 1888 és 1925 között írt könyveket, és több ezer előadást tartott. A német kiadás (Gesamtausgabe, GA) kötetei közül 347 került be, bekezdésekre bontva.
Egy cégnél ekkora szöveg nem könyvekben, hanem szerződésekben, szabályzatokban, levelekben gyűlik. Válassz egy iratfajtát, és állítsd be, nálatok mekkora egy átlagos darab.
Egy sűrűn szedett A4-es oldal kb. 3000 karakter szóközökkel, egy lazább kb. 2000.
A keltezett előadások száma évente. Mutass egy évre a részletekért. 1919 után Steiner szinte naponta beszélt: 1924-ben 358 keltezett előadása van a korpuszban, vagyis szinte napi egy.
Összesen 4776 előadás és fejezet, ebből 3611 keltezett. 163 helyszín. A leggyakoribbak:
Öt lépés, öt nap alatt, 2026. október 18. és 22. között. A gépi munka nagyját a Claude végezte, a döntéseket Szabolcs hozta.
350 német PDF, 2,8 GB. Mellé a meglévő magyar és angol fordítások.
Minden kötetből tiszta szöveg: előadás, dátum, helyszín, oldalszám. A szerkesztői jegyzetek kimaradnak, mert nem Steiner szövegei.
Minden bekezdésből 1024 szám lesz, ami a jelentését írja le. Összesen 155 millió szám, 84 ezer token másodpercenként.
Postgres, szöveges és vektoros index együtt, 1,2 GB. A betöltés 8 és fél perc.
A Claude egy saját keresőeszközön át kérdez az adatbázisból, és csak a találatokból válaszol, kötettel, oldallal, dátummal.
„A halál utáni élet és a lélek útja”
Magyar kérdés, német szöveg: a kereső jelentés szerint talál, közös szó nélkül is. Az első két találat:
Steiner-korpuszJa, die Eindrücke, welche die Seelen durch die Pforte des Todes tragen, unterscheiden sich oftmals außerordentlich stark …Man versteht die Wege des Karma besser, wenn man die Schicksale der menschlichen Seele zwischen dem Tode und einer neuen Geburt betrachtet.A módszer nem Steinerről szól. Bármilyen nagy, nehezen átlátható szövegtömegre működik, és a kérdésre helyekkel válaszol, nem általánosságokkal.
„Melyik szállítói szerződésünkben van 30 napon belüli kötbér?”
Ezer szerződésből a releváns pontok, szerződésenként a pontos hely.
„Mit mondanak a szabályzataink a home office-ról, és hol mondanak ellent egymásnak?”
Az eltérő helyek egymás mellett, nem összesimítva.
„Mit válaszoltunk eddig, ha valaki a garanciális cseréről kérdezett?”
Évek levelezéséből a bevált válaszok, forrással.
„Hol írtunk már a fenntarthatósági hatásmérésről?”
Régi anyagok újrahasznosítása, a dokumentum és az oldal megjelölésével.
Nyelvtől független. Magyarul kérdezel, a német vagy angol iratban is talál.
Forrással válaszol. Minden állítás mellett ott a dokumentum és a hely.
Saját szerveren marad. Az iratok nem mennek külső szolgáltatóhoz; a GPU-gépet csak órára béreltük, aztán töröltük.
Olcsó. A teljes beágyazás egyszeri gépköltsége 0,52 dollár volt.
20 próbakérdésen, vak bírálattal. A mérőszám (nDCG@10) azt mutatja, mennyire jók az első tíz találat és a sorrendjük.
49%-kal jobb, mint a régi kulcsszavas keresés.
Egy kérdés 150 ezer bekezdésen átlag fél másodperc, a kérdés beágyazásával együtt. A kérdés a saját szerveren lesz vektorrá, nem egy külső szolgáltatónál.
A bérelt GPU és a saját szerver CPU-ja ugyanazt a vektort adja: 200 bekezdés mintáján a hasonlóság legalább 0,99988 (1,0 a teljes egyezés). Ezért lehet a korpuszt GPU-n, a kérdést CPU-n számolni.