Biblioteca › Preparación ›Metaetiquetado
Metaetiquetado
Metadatos por chunk: dominio, etiquetas, vigencia, seguridad, linaje.
Fase recomendada
Sin cubrir genera aviso en el lienzo: puedes saltarla, pero conviene saber qué te pierdes.
Cómo elegir: comparativa de piezas
Generada desde el catálogo (dato, no código).
| Pieza | Qué hace | Pros | Contras |
|---|---|---|---|
| Dominio + etiquetas | Cada chunk lleva su dominio y etiquetas |
|
|
| Metadatos de seguridad | tenant, empresa, grupo, rol, país, clasificación — modelar ANTES de ingestar |
|
|
| Vigencia y versionado | Fechas de vigencia y versión para descartar lo caducado |
|
|
| Linaje documental | De qué documento, versión y página nace cada chunk |
|
|
| Asignación por carpetas | Primer nivel del árbol = dominio, niveles siguientes = etiquetas: la estructura del corpus ES el criterio |
|
|
| Frontmatter YAML | Cada documento llega con dominio y etiquetas en su cabecera YAML: el corpus se describe a sí mismo |
|
|
| Sidecar JSON | Un JSON con el mismo nombre del fichero (doc.pdf → doc.json) lleva sus metadatos: contenido y descripción separados |
|
|
| Clasificación semántica | Se embebe el documento y se compara con la lista ACOTADA de dominios y etiquetas del modelo (coseno); asigna solo por encima del umbral |
|
|
| Clasificador LLM (tier-2) | Un LLM barato lee el documento y asigna dominio + etiquetas con confianza; rechaza por debajo del umbral (estilo ragkit ≥ 0,8) |
|
|
| Curación manual | Un experto asigna dominio y etiquetas documento a documento: el Gold de la asignación |
|
|
Conjuntos (frameworks) que cubren esta fase
Estos conjuntos colocan sus propios bloques en esta fase. Suelta uno en el lienzo y expándelo para no perder trazabilidad.