RAG pe normative și standarde: regula e în alt document

Un inginer structurist întreabă asistentul intern: „ce clasă minimă de beton cere norma pentru elementele expuse la îngheț-dezgheț?”. Sistemul găsește articolul potrivit din normativul de proiectare, îl citează corect, cu numărul lui, și răspunde: clasa de expunere se stabilește conform standardului european de specificare a betonului. Chunk-ul e complet. Citarea e onestă. Articolul chiar spune asta.

Și răspunsul e inutilizabil, fiindcă valoarea cerută trăiește în celălalt document — emis de alt organism, cumpărat separat, poate deloc — iar norma pe care ai indexat-o nu o repetă niciodată.

Corpusurile de până acum din serie aveau, fiecare, o formă proprie de murdărie: contractul avea clauze imbricate, ticketul avea câmpuri care mint, desenul nu era text deloc. Normativele, standardele și codurile de proiectare sunt exact opusul: text curat, numerotat, redactat de comitete, cu o structură pe care orice parser o citește fără efort. E primul corpus din cluster în care documentul e impecabil ca text și totuși insuficient ca sens, pentru că sensul e, prin construcție, în afara lui. Mecanica de bază a RAG rămâne neschimbată; ce se schimbă e că un fragment perfect regăsit poate fi, juridic, un răspuns greșit.

Norma se aplică prin trimitere

Prima proprietate care desparte acest corpus de orice bibliotecă de documentație: un articol de normativ nu e autonom. E un nod într-o rețea de trimiteri, iar cerința pe care o cauți poate sta la două-trei salturi distanță.

Trimiterea e conținut, nu notă de subsol

„Conform SR EN 1998-1”, „se aplică prevederile din anexa A”, „materialele respectă specificațiile standardului de produs corespunzător” — fiecare formulare de acest tip mută obligația în alt document. Trimiterea nu documentează articolul, îl completează: fără documentul-țintă, articolul nu spune ce trebuie făcut, ci doar unde scrie ce trebuie făcut.

Adesea documentul-țintă are alt emitent. Un normativ național aprobat prin ordin de ministru trimite la un standard european adoptat de organismul de standardizare, care trimite mai departe la un standard de încercări. Trei documente, trei regimuri de achiziție, trei calendare de revizuire — o singură cerință.

Referința datată și cea nedatată nu înseamnă același lucru

Convenția de redactare a standardelor europene face o distincție pe care majoritatea implementărilor o ignoră complet, deși e vizibilă cu ochiul liber în text. O referință datată — cu anul ediției scris după indicativ — trimite exact la acea ediție și numai la ea; edițiile ulterioare nu se aplică decât dacă documentul care trimite e el însuși modificat. O referință nedatată trimite la ultima ediție în vigoare a documentului țintă, inclusiv la amendamentele ei.

Consecința pentru un sistem de retrieval e directă și dură: aceeași trimitere, scrisă în două feluri, produce două rezoluții diferite ale aceleiași întrebări. Prezența sau absența anului după indicativ e o dată de metadate, extrasă cu reguli la ingestie, nu ceva ce un model deduce corect din context la interogare.

Chunk-ul complet și totuși insuficient

Rima cu lanțul de dependență al revendicărilor de brevet e evidentă, și tot acolo se oprește: o revendicare dependentă trimite la una din același document, pe care o ai. Aici lanțul iese din document, iese din emitent și adesea iese din ce ai dreptul să deții.

Practic, unitatea utilă de regăsire nu e articolul, ci articolul împreună cu documentele pe care le invocă. Legătura se creează la ingestie, ca relație explicită între norme, prin extragerea indicativelor cu reguli lexicale — au formă previzibilă, deci extracția e fiabilă. Ce nu e fiabil e deducerea semantică: două articole care trimit la standarde complet diferite arată aproape identic pentru un embedding.

Despre fiecare trimitere, sistemul trebuie să știe trei lucruri: încotro duce, dacă e datată și dacă documentul-țintă e în corpusul tău. A treia schimbă răspunsul, fiindcă produce singura formulare corectă când lanțul se rupe: cerința e stabilită de documentul X, ediția Y, care nu se află în baza de documente.

Ediția și statusul sunt regim de adevăr

A doua proprietate: o normă are ediție și stare — în vigoare, retrasă, înlocuită — iar norma retrasă nu devine greșită. Rămâne documentul care guvernează lucrările contractate cât timp era în vigoare.

Data care contează e data faptului, nu data întrebării

Legea calității în construcții tratează explicit acest lucru atunci când descrie faptele contravenționale: încălcarea prevederilor referitoare la cerințele fundamentale prevăzute în reglementările tehnice în vigoare la data contractării proiectării și, respectiv, a execuției lucrărilor. Aceeași formulare apare și pentru expertizele tehnice, raportate la reglementările în vigoare la data contractării lor.

Cu alte cuvinte, referențialul nu e prezentul. E un moment din trecut, fixat contractual, iar un sistem care servește mereu ediția curentă răspunde greșit la exact întrebările care ajung într-un dosar. E aceeași logică a versiunii-în-vigoare pe care o poartă revizia unui desen și anul nomenclaturii la clasificarea tarifară — nu se reia aici. Ce se adaugă e că data de referință nu e nici data documentului, nici data întrebării: e o dată din dosarul proiectului, care trebuie adusă din altă parte decât din corpus.

O tranziție are un calendar, nu o dată

Tranziția la a doua generație de Eurocoduri e exemplul canonic, fiindcă are calendarul publicat. Potrivit Comisiei Europene, textele definitive ale părților de generația a doua se distribuie organismelor naționale de standardizare cel târziu la 30 martie 2026 — data disponibilității. Toate primesc apoi aceeași dată de publicare la nivel național, 30 septembrie 2027, adică termenul până la care trebuie implementate ca standarde naționale identice. Data de retragere a standardelor naționale conflictuale — practic, prima generație — e 30 martie 2028.

Între aceste momente ambele generații coexistă legal, iar la nivel național se elaborează anexele care fixează parametrii determinați național. Pentru corpus, perioada aceea nu e o ambiguitate de tratat cu bun-simț: e o stare a documentului, cu interval, care trebuie să existe ca metadată. Un proiect început în suprapunere se judecă pe generația aleasă la contractare, nu pe cea mai nouă.

Ediția nu e un fișier, e o suprapunere de acte

Detaliul care rupe cel mai des implementările naive: reglementarea pe care o descarci ca un singur PDF e, juridic, un act de aprobare plus toate actele care l-au modificat de atunci. Codul de proiectare seismică P100-1/2013, de pildă, a fost aprobat prin ordin în 2013 și modificat ulterior printr-un alt ordin, publicat separat. Textul consolidat pe care îl folosește toată lumea e o operațiune de redacție, nu un document emis ca atare.

Indexează, deci, versiunea consolidată cu proveniența ei: actul de bază, actele modificatoare și data consolidării. Fără ele, sistemul nu poate răspunde la întrebarea care apare inevitabil într-o expertiză — ce spunea articolul acesta înainte de modificarea din anul X — și, mai rău, nu știe că nu poate. Mecanica generală e în prospețime, ștergeri și reindexare; aici versiunea veche nu se șterge niciodată, fiindcă are proiecte care încă atârnă de ea.

Domeniul de aplicare e o condiție, nu o descriere

A treia proprietate e cea mai ușor de ratat, fiindcă textul care o poartă arată ca o introducere politicoasă. Primul capitol al oricărei norme se cheamă, aproape mereu, „obiect și domeniu de aplicare” — și e un filtru, nu un rezumat.

Aceeași normă se aplică sau nu

Codul de proiectare seismică pentru clădiri își declară în capitolul de deschidere obiectul: proiectarea seismică a clădirilor și a construcțiilor cu structuri similare amplasate pe teritoriul României. Și își declară exclusiv ce nu acoperă — construcțiile cu funcțiuni speciale, de la centrale nucleare și platforme maritime la poduri, baraje, diguri, coșuri de fum și turnuri de răcire.

Un sistem care regăsește semantic un articol din codul acela și îl servește unui inginer care proiectează un pod a produs un răspuns perfect citat și complet greșit. Nu prin halucinație: prin ignorarea unei condiții scrise la treizeci de pagini distanță de fragmentul regăsit.

Tiparul se repetă peste tot: clasa de importanță, categoria de risc la incendiu, puterea instalată, înălțimea clădirii, numărul de ocupanți. Fiecare e un parametru al proiectului, nu al întrebării, și fiecare deschide sau închide seturi întregi de cerințe.

Anexa normativă și anexa informativă arată la fel

Capcana cea mai fină trăiește în același document. Codul de proiectare seismică precizează explicit care dintre capitolele și anexele lui au caracter normativ și care nu. Un fragment dintr-o anexă informativă e scris în aceeași limbă, cu aceeași numerotare și aceeași autoritate aparentă — și nu obligă pe nimeni.

Pentru un index vectorial, cele două sunt indistinctibile. Pentru un verificator de proiecte, diferența e între cerință și recomandare. Regimul normativ al fiecărei secțiuni e deci o metadată obligatorie, extrasă o dată la ingestie din declarația documentului și afișată lângă citare.

Filtrul dur se aplică înaintea căutării

Concluzia arhitecturală e cea care revine în tot clusterul, aici pe axa aplicabilității: parametrii proiectului se rezolvă înainte de retrieval, ca predicat pe metadate, exact cum identitatea exactă a echipamentului decide ce manual e relevant înainte ca similaritatea să conteze. Tip de construcție, clasă de importanță, categorie de risc, data contractării — patru câmpuri care reduc un corpus de mii de documente la câteva zeci, în interiorul cărora relevanța semantică devine, în sfârșit, un criteriu util.

Textul e licențiat, deci nu indexezi tot

A patra proprietate nu e tehnică deloc, și tocmai de aceea oprește proiecte după ce au fost construite. Standardele se cumpără, iar ce ai voie să faci cu ele e strict.

Ce cumperi când cumperi un standard

În România, standardele naționale, europene și internaționale sunt considerate documentații științifice în sensul legii dreptului de autor și sunt protejate ca atare, iar reproducerea integrală sau parțială și difuzarea lor se admit numai cu acordul scris prealabil al organismului național de standardizare. Poziția publicată a ASRO e explicită: reproducerea integrală a unui standard achiziționat se poate face numai pentru uzul intern al utilizatorului, iar copierea și distribuirea în cadrul unui grup de firme sau al unei asociații e tratată ca abuzivă.

Condițiile magazinului online sunt și mai concrete despre cazul care te privește: fișierele PDF achiziționate poartă filigran, tipărirea e permisă doar pentru utilizare personală, iar partajarea sau publicarea documentelor pe intranetul companiei nu e permisă în baza acordului de licență standard. Accesul multi-utilizator există, dar se contractează separat, pe număr de utilizatori simultani.

Un sistem intern care indexează textul integral al standardelor cumpărate și îl servește oricui întreabă e, funcțional, exact publicarea pe intranet, cu un strat de model deasupra. Întrebarea nu e dacă e fezabil tehnic, ci dacă ai licența care o acoperă — iar răspunsul implicit e nu.

Excepția armonizată și limitele ei

Există o zonă în care lucrurile s-au mișcat. La 5 martie 2024, Marea Cameră a Curții de Justiție a Uniunii Europene a hotărât în cauza C-588/21 P că există un interes public superior care justifică divulgarea unor standarde tehnice armonizate, anulând refuzul Comisiei de a acorda acces la patru standarde privind siguranța jucăriilor, pe motivul că astfel de standarde fac parte din dreptul Uniunii prin efectele lor juridice.

Concluzia practică se citește însă cu prudență. Hotărârea a privit accesul la documente deținute de o instituție europeană, pe un set determinat de standarde armonizate, iar consecința asupra dreptului de autor al organismelor de standardizare rămâne interpretată diferit. Un standard armonizat citat într-un act european nu are același regim cu unul voluntar cumpărat de la organismul național — dar nici din primul nu decurge automat dreptul de a-l încărca într-un index. Verifică statutul fiecărui document, nu al categoriei.

Ce indexezi legal: referința și textul tău

Rima cu literatura științifică din cercetare-dezvoltare e directă: acolo indexai metadatele articolului și rezumatul, nu textul integral din spatele plătit. Aici, corpusul indexabil are trei straturi, toate producibile de tine:

1. Fișa normei — indicativ, titlu, emitent, ediție, status, data intrării în vigoare, domeniul de aplicare rezumat în cuvintele tale, trimiterile extrase și regimul normativ pe secțiuni. Câteva sute de caractere care se regăsesc excelent și care trimit la documentul real.
2. Textul tău propriu — proceduri, instrucțiuni de lucru, memorii tehnice, note de calcul, liste de verificare: documente care aplică norma și pe care ai tot dreptul să le indexezi integral.
3. Documentele publicate oficial — reglementările tehnice aprobate prin ordin și publicate în Monitorul Oficial au alt regim decât standardele vândute de organismul de standardizare, și se verifică individual.

Principiile generale de pregătire a corpusului rămân cele obișnuite. Ce se adaugă e un câmp pe care majoritatea proiectelor nu îl au: dreptul de indexare, per document, cu sursa lui.

Arhitectura: registrul de norme înainte de index

Corpusul s-a despărțit, ca la orice caz cu structură reală, în populații cu regimuri diferite. Fundația nu e indexul vectorial, ci un registru de norme: ce documente există, în ce ediție, cu ce status, cu ce domeniu de aplicare, cu ce trimiteri și cu ce drept de indexare.

Ultimul rând marchează granița clusterului: articolul de față se ocupă de regulă, nu de proba respectării ei. Mai există și un al treilea tip de document, care nici nu impune o regulă, nici nu dovedește respectarea ei, ci acordă un drept pe termen — avizele și autorizațiile cer alt model, fiindcă expiră singure. Iar când proba aceea e un buletin de laborator, vine cu capcane proprii — rezultatul aparține eșantionului încercat, nu lotului.

Indicativul se potrivește exact sau deloc

„SR EN 1998-1”, „P100-1”, „C107” nu au vecini semantici utili — sunt identificatori, ca numărul de desen sau codul tarifar. Componenta lexicală e obligatorie, iar hybrid search cu reranking e configurația minimă pe corpusuri normative, nu o optimizare de etapa a doua. Cine caută indicativele doar semantic ratează exact interogările cu răspuns cert.

Chunking-ul urmează numerotarea autorului

Normele sunt segmentate de propriii redactori: capitol, articol, alineat, tabel, anexă. Unitatea de chunking e unitatea marcată de autor, ca la clauza dintr-un contract — cu observația că aici tabelul e adesea cerința însăși, iar tăierea lui la mijloc distruge o cerință completă. Strategiile generale se aplică integral; se adaugă doar că fiecare fragment moștenește ediția, statusul și regimul normativ al secțiunii.

Răspunsul livrează trimiterea, nu parafraza

Forma corectă de răspuns e o citare structurată: documentul, ediția, articolul, regimul normativ al secțiunii și — când lanțul iese din corpus — documentul-țintă pe care nu îl deții, numit explicit. Parafraza unei cerințe tehnice nu e un rezumat, e o cerință nouă, scrisă de un sistem care nu are calitatea de a o scrie. Regulile generale de format se aplică integral: verificarea rămâne a verificatorului de proiecte atestat, iar rolul sistemului e să-i pună documentul corect în față.

Ce măsori și cu ce începi

Avantajul acestui corpus la evaluare e că adevărul de referință e public și verificabil: fiecare normă are un indicativ, o ediție și un status pe care oricine le poate confirma la emitent.

Trei metrici specifice

Completitudinea lanțului de trimiteri. Din răspunsurile sprijinite pe un articol cu trimitere, câte au semnalat documentul-țintă — fie servindu-l, fie declarând că lipsește. Ținta pentru tăcere e zero: o trimitere nemenționată e o cerință ascunsă.

Acuratețea ediției aplicabile. Pe perechi construite deliberat — aceeași întrebare, două date de contractare de o parte și de alta a unei revizuiri — câte răspunsuri au folosit ediția corectă. Dacă răspunsul e identic în ambele cazuri, filtrul temporal nu funcționează.

Respectarea aplicabilității. Din întrebările puse pe proiecte aflate în afara domeniului unei norme, câte au primit norma respectivă ca răspuns. Fiecare caz e un fals-pozitiv scump, fiindcă arată perfect citat.

Metodologia de construcție a setului de referință și pragurile sunt în cum evaluezi un sistem RAG.

Pilotul care începe cu registrul, nu cu PDF-urile

Tentația e să încarci arhiva de normative și să vezi ce iese. Începe invers: o specialitate, o categorie de construcții și un registru construit manual — treizeci până la cincizeci de documente, cu indicativ, ediție, status, domeniu de aplicare, trimiteri și drept de indexare. Fără index vectorial în prima săptămână.

Livrabilul, după o lună: ia întrebările reale din ultimul an — din verificările de proiect, din clarificări, din neconformitățile constatate — și numără câte primesc documentul corect, în ediția corectă, cu trimiterile semnalate. Dacă rezultatul e slab, cauza e aproape sigur registrul, iar asta e o veste bună: se repară în săptămâni, cu oameni care oricum cunosc domeniul. Cazurile în care nu ai nevoie de retrieval deloc sunt trasate separat.

Întrebări frecvente

Pot indexa PDF-urile standardelor pe care le-am cumpărat?

Nu automat. Licența obișnuită acoperă uzul intern al utilizatorului, nu publicarea pe intranet sau accesul multi-utilizator, iar un asistent care servește textul integral funcționează exact ca o publicare. Discută condițiile cu organismul de standardizare înainte de a construi: licențierea multi-utilizator există, iar costul ei e un parametru de proiect, nu un obstacol descoperit la lansare.

Ce fac cu standardele armonizate după hotărârea Curții?

Le tratezi individual, nu ca pe o categorie eliberată. Hotărârea a privit accesul la documente deținute de o instituție europeană, pe un set determinat de standarde, iar efectul asupra dreptului de autor e încă interpretat diferit. Verifică per document sub ce regim îl poți obține și ce permite acel regim, apoi consemnează răspunsul în registru ca dată, nu ca presupunere.

Cum răspund la întrebări despre clădiri proiectate acum treizeci de ani?

Cu ediția de atunci, dacă o ai, și cu un refuz explicit dacă nu. Normativele vechi sunt cel mai greu de procurat și cel mai des necesare, fiindcă intervențiile la construcții existente se raportează la ele. Reconstituirea arhivei de ediții istorice, cu intervalele lor de valabilitate, e un proiect separat — primul, dacă lucrezi mai mult pe existent.

Poate sistemul să decidă singur dacă o normă se aplică proiectului meu?

Poate propune setul aplicabil pornind de la parametrii declarați ai proiectului și poate arăta ce condiție a folosit pentru fiecare document inclus sau exclus. Decizia rămâne a proiectantului și trece prin verificatorul atestat, care e o cerință legală, nu o etapă optimizabilă.

Merge același tipar și pentru alte domenii reglementate?

Structura se transferă oriunde regula e stabilită prin trimitere la documente externe cu ediție proprie: securitate la incendiu, echipamente sub presiune, protecția muncii, dispozitive medicale. Corpusul, emitenții și licențierea diferă însă complet, deci e proiect separat, cu propriul registru.

Un RAG peste normative și standarde nu e o bibliotecă de PDF-uri cu un chat deasupra. E un registru de norme cu ediții, stări, domenii de aplicare și trimiteri extrase, peste care retrieval-ul semantic se aplică doar unde textul chiar îți aparține — și care spune limpede când cerința stă într-un document pe care nu îl deții.

Începe cu un test de zece minute: ia cinci articole de normativ citate des în echipă și verifică, pentru fiecare, dacă ai documentul la care trimite, în ediția potrivită. Numărul de goluri e specificația primului proiect.

Pentru o discuție despre cum ar arăta registrul pe specialitatea ta, trimite un mesaj. Restul corpusurilor din serie sunt în hubul Cazuri de utilizare enterprise, firul documentației tehnice în hubul de tag, iar imaginea completă a serviciului în AI și RAG.