Cum poate AI să conecteze evenimente în timp

Două evenimente publicate la patru ani distanță, de publicații diferite, în limbi diferite, care descriu situații aparent fără legătură, pot fi aceeași poveste. Recunoașterea acestui lucru este partea din documentare care durează cel mai mult și la care aproape niciun instrument nu ajută.

De ce eșuează căutarea după cuvinte-cheie

Căutarea potrivește șiruri de caractere. Legătura ține de sens, iar sensul supraviețuiește la niciunul dintre lucrurile care se schimbă între două relatări ale unor evenimente înrudite:

• vocabularul se schimbă — aceeași entitate este „un start-up”, apoi „o companie”, apoi „operatorul”;
• limba se schimbă — relatarea anterioară există doar în limba în care a fost publicată;
• încadrarea se schimbă — un eveniment descris în 2022 ca decizie tehnică este descris în 2025 ca dispută de politică publică;
• subiectul nu este numit — elementul de legătură este o persoană sau un loc menționat în treacăt.

Oricare dintre acestea este suficient pentru a rupe o potrivire de cuvinte-cheie, lăsând relația perfect reală.

Ce leagă două evenimente

Există doar câteva moduri în care două evenimente se raportează unul la altul, iar fiecare este ceva ce poate fi extras și comparat.

Entități comune. Aceeași persoană, organizație, loc sau produs apare în ambele. Este cea mai frecventă punte și cea mai ușor de greșit, pentru că numele sunt ambigue — entitatea trebuie rezolvată, nu doar potrivită.

Subiect comun. Ambele aparțin aceluiași domeniu, la un nivel util de specificitate. „Tehnologie” nu conectează nimic; o clasificare mai îngustă conectează foarte mult.

Descendență comună a surselor. Ambele se trag din aceeași relatare originală. Util și în sens invers: îți arată când o confirmare aparentă este de fapt o singură sursă repetată.

Apropiere temporală cu formă cauzală. Evenimentele grupate în timp în jurul acelorași entități stau adesea în succesiune — anunț, reacție, consecință. Apropierea singură este un semnal slab; apropierea plus entități comune este un semnal puternic.

Similaritate semantică. Cele două descrieri înseamnă aproximativ același lucru chiar fără vocabular comun. Aici modelele de limbaj sunt cu adevărat bune și aceasta este puntea care supraviețuiește traducerii și reformulării.

Fluxul de lucru

În practică, conectarea evenimentelor în timp este o succesiune de pași obișnuiți:

1. Extragere — scoaterea evenimentelor și entităților din text nestructurat, cu date.
2. Rezolvare — a decide că două mențiuni se referă la aceeași entitate și că două relatări descriu același eveniment.
3. Relaționare — calcularea legăturilor de mai sus, fiecare cu o indicație despre modul în care a fost derivată.
4. Plasare — poziționarea cronologică a evenimentului, folosind data la care s-a petrecut, nu data publicării.
5. Expunere — afișarea legăturii cu baza ei vizibilă, astfel încât cititorul să o poată evalua.

Pasul cinci nu este decorativ. O legătură pe care nu o poți inspecta este o afirmație pe care trebuie să o accepți pe încredere, iar acesta este exact tipul de sistem în care acceptarea pe încredere este modul de eșec.

Ce greșește

Rezolvarea entităților eșuează la nume comune și la organizații care își schimbă identitatea. Deduplicarea evenimentelor unește lucruri care nu ar trebui unite sau separă lucruri care nu ar trebui separate. Similaritatea semantică găsește perechi apropiate tematic și fără legătură cauzală.

Nimic din toate acestea nu este un motiv pentru a sări peste această muncă — un cercetător care o face manual comite aceleași erori, mai lent. Este un motiv pentru a prezenta legăturile ca ipoteze cu raționament vizibil, nu ca fapte.

Rezultatul

Când funcționează, un subiect încetează să fie o grămadă de documente și devine un graf pe care îl poți parcurge. Intri în orice eveniment și te miști în afară: către sursele lui, către entitățile implicate, către ce l-a precedat, către ce a urmat.

Această parcurgere este chiar ceea ce înseamnă documentarea. Scopul conectării evenimentelor este să facă posibil ca ea să dureze minute, nu săptămâni.