История из медсервиса про то, как правильно нарезать данные — и зачем это вообще нужно.
Когда человек пишет в чат: «Ферритин 12 — это плохо?», он ждёт не лекцию по биохимии, а короткий, точный и лично для него безопасный ответ. Парадокс в том, что чтобы дать такой ответ, нам приходится сделать ровно противоположное — превратить огромные тексты в множество небольших, аккуратно подписанных «кусочков» знаний. В нашей кухне эти кусочки называются чанками.
Проблема длинных текстов
Медицинские документы тяжёлые: клинические рекомендации бывают на сотни страниц, а популярные статьи — на тысячи слов. Если скормить это ИИ целиком, он либо «потеряется», либо начнёт додумывать. Значит, нужно разрезать и подать порциями. Но порции должны быть правильными — как суши: не слишком крупные, чтобы уместились в рот, и не слишком маленькие, чтобы чувствовался вкус.
Что такое «хороший чанк»
Хороший чанк — это не просто кусок текста. Это маленькая карточка знаний с контекстом. У каждого чанка есть:
- Тезис: о чём этот кусок («Низкий ферритин у взрослых: возможные причины»).
- Короткое содержание: 2–3 предложения сути — без воды.
- Факты: нормы, цифры, исключения.
- Ограничители: «Не диагноз», «Нужна очная консультация при X».
- Источник: откуда взяли, дата, версия.
- Метки: [анализы], [железо], [женщины 18–45], [беременность — исключить].
Такая карточка позволяет ИИ не фантазировать: он опирается на конкретные факты и умеет их показать.
Как мы пришли к правильному размеру
Мы тестировали по-разному. Слишком крупные чанки (по полстраницы) давали «размазанные» ответы. Слишком мелкие — теряли смысл. Оптимум нашли опытным путём:
- Задача «справка» (что это, как готовиться): 400–700 символов.
- Задача «разбор анализов»: 700–1100 символов с таблицей норм.
- Задача «пошагово» (что делать дальше): 500–800 символов.
Иногда мы делаем мягкие «нахлёсты» — соседние чанки перекрывают друг друга на 1–2 предложения, чтобы мысль не обрывалась. Как в монтажной склейке: кадры чуть заходят друг на друга, и сцена получается плавной.
История одного вопроса
Пользователь: «Ферритин 12 — это плохо?»
ИИ отвечает коротко и по делу:
- «Это ниже рекомендованного диапазона для взрослых; часто связано с дефицитом железа.»
- «Проверьте гемоглобин, сывороточное железо, ОЖСС/ТСЖ.»
- «Если есть слабость/одышка — очно к врачу.»
- «Материал подготовлен по клиническим рекомендациям; дата обновления — март 2025.»
Все четыре строки — из разных чанков: «нормы», «следующие шаги», «красные флаги», «прозрачность источников». ИИ не «умничает» — он собирает ответ из карточек.
Почему без безопасности никуда
В медицине данные — чувствительные. На этапе подготовки мы:
- удаляем персональные маркеры (имена, телефоны, полисы, номера исследований),
- раскрашиваем риски: если в чанк попал совет уровня «срочно в скорую» — он отмечен отдельно и всегда всплывёт выше,
- фиксируем дату: всё, что старше порога (например, 24 месяца), автоматически уходит «на пересдачу» — пересмотр и переиндексацию.
Так мы защищаем и пользователя, и экспертов.
Главная тайна вкуса — «соус связи»
Обычно рассказывают про сами чанки, но мало кто говорит про связи между ними. А именно они делают речь осмысленной. Мы сохраняем «оглавление смысла»:
- «Если вопрос про ферритин — рядом почти всегда идут витамин D и В12» (частые спутники).
- «Если у подростка и есть утомляемость — покажи раздел про дефицит сна» (дифференциальная подсказка).
- «Если у женщины после родов — покажи послеродовые особенности анализа крови».
Это не правила «если-то», это статистика переходов и семантическая близость: чаты подсказывают, как люди действительно думают.
Как мы понимаем, что всё работает
Мы не меряем «лайки у бота». Мы меряем:
- Доля ответов с показом источника (прозрачность),
- Точность фактов по чек-листу врача (без «экспромтов»),
- Время до полезного действия: сколько шагов от вопроса до понятного плана,
- Повторные вопросы на ту же тему (чем их меньше, тем лучше чанк).
Когда однажды мы переставили местами «логин» и «регистрацию» в интерфейсе, число регистраций взлетело втрое. С чанкованием похожая история: маленькие правки — большой эффект. Добавили в каждый чанк «что делать дальше» — и средняя длина диалога сократилась на треть, зато удовлетворённость выросла.
Чанк — это уважение
Разбивать знания на понятные кусочки — звучит технично. Но по сути это про уважение к человеку: мы не заставляем его читать «тома рекомендации-2025», мы даём ровно то, что нужно сейчас, с ссылкой и честным «чего мы не знаем».
И да — иногда лучший чанк это одна фраза:
«Не ставьте себе диагноз по интернету. Если симптомы усиливаются — к врачу.»
Иногда именно такой кусочек — самый важный.