Як кодувати у newsomo Pro+

Перемикання — кнопки у шапці

У шапці Workbench є три кнопки: 📰 Card / 📊 Grid / 🔬 Excel-mode. Дані синхронізовані — переключайтеся коли стиль чи кількість потребує іншого підходу.

Кожна AI-пропозиція має confidence score (0-100%) — це не магічне число, а обчислена ймовірність що пропозиція правильна. У трьох інтерфейсах це показано по-різному:

→ AI знайшов чіткі маркери. Найімовірніше правильно. У Card — повний opacity, у Grid — суцільна синя рамка, в Excel — solid blue dashed checkbox.

→ AI невпевнений. Маркери є, але контекст неоднозначний. Обов'язково перевіряйте.

→ AI пропонує лише як candidate. Може бути правильно — а може ні. Розглядайте як підказку, не відповідь.

Як зрозуміти ЧОМУ AI запропонував те що запропонував

У Card view, під кожною AI-пропозицією є секція ai-trace: AI явно каже які маркери він знайшов у тексті. Наприклад:

why: "заявив"/"розпочав"/"виділив" → активна
vs: "критикують"/"закликали" → пасивна (не знайдено достатньо)

Деталі кожного кроку

Крок 3: Як читати ефективно

У Card view текст статті має підсвічені сутності:

• 🔵 Сині — організації (Мінфін, МОН, ЄБА...)
• 🟣 Фіолетові — персони (Марченко, Свириденко...)
• 🟡 Жовті — цифри і суми (4.5 млрд, 18%...)
• 🟢 Зелений пунктир — активні дієслова (заявив, розробив)
• 🟡 Жовтий пунктир — пасивні дієслова (критикують, закликали)

Час читання: 30-45 секунд для статті середнього розміру (1500 знаків). Не читайте кожне слово — скануйте на підсвічені.

Крок 4: Прийняття рішення

На правій панелі для кожного fixed-поля є 3 кнопки: актив / пасив / —. AI-пропозиція вже виділена синім. Один клік підтверджує. Якщо хочете інше — клікніть на потрібну.

Для тез: 5 chip-кнопок з ✨. Кліком обираєте — стає зеленою з ✓. Якщо потрібна теза не серед top-5 — натисніть + всі 91 → відкриється модалка з пошуком.

Поле 1: Тип комунікації об'єкта (Мінфін)

Питання яке ви ставите: "Хто був ініціатором повідомлення?"

• Активна — Мінфін сам щось зробив/сказав. Маркери: "Мінфін заявив", "Мінфін затвердив", "Мінфін розпочав", "Мінфін виділив", "Мінфін оголосив".
• Пасивна — про Мінфін говорять інші. Маркери: "Критикують Мінфін", "Закликали Мінфін", "Вимагають від Мінфіна", "Запитують у Мінфіна".
• — (немає) — Мінфін згаданий побіжно, ні активної, ні пасивної комунікації немає.

Поле 2: Тип комунікації персони (Марченко)

Те саме, але для людини. Якщо персона взагалі не згадується у статті — залиште —. AI спочатку перевіряє факт згадки через NER.

Поле 3: Спікери позитиву

Список людей які висловились ПОЗИТИВНО про об'єкт моніторингу (Мінфін). Формат: "Ім'я Прізвище, посада".

Якщо одна людина процитована з нейтральним коментарем — її не додаємо. Тільки явно прихильні.

Поле 4: Спікери негативу

Аналогічно, але хто критикує/звинувачує об'єкт. Можна додавати скільки завгодно осіб (через UI — поодинці).

Тези — це повторювані теми/сюжети, які моніторинг переслідує. У Мінфін-таксономії 91 теза: "Мінфін зриває реформу митниці", "С.Марченко зустрівся з послом Японії", "Мінфін лобіює інтереси ОП" тощо.

Як вибирає AI top-5

AI обчислює cosine similarity між embedding статті та embedding кожної з 91 тези → сортує → пропонує 5 найвищих якщо similarity ≥ 0.45.

Якщо для статті жодна теза не вище 0.45 — AI не пропонує нічого, ви додаєте вручну через "+ всі 91".

Правила вибору тез

1. Multi-label: стаття може мати 0, 1, 3, 5 тез. Не обмежуйте себе одною.
2. Точність важливіша за повнота: краще 2 точні тези, ніж 5 з-під палиці.
3. Семантична відповідність, не лексична: стаття "Уряд виділив на ярмарки в Європі" → теза "Мінфін виділив на міжнародні ярмарки", навіть якщо слова "Мінфін" немає (бо контекст).
4. Якщо стаття розкриває нову тему, якої немає в таксономії — це сигнал що треба додати нову тезу. Записуйте у заметки.

Якщо AI не знайшов потрібну тезу

Натисніть + всі 91 у Grid/Excel або + Переглянути всі тези з бази в Card. Відкриється модалка з:

• Усі 91 теза, сортовані: AI-suggested спочатку, потім вже обрані, потім решта
• Пошук по тезах — введіть ключове слово, фільтрується миттєво
• Чекбокси — обирайте відповідні

Спікер у newsomo — це не просто ім'я, а повний запис: "Юлія Свириденко, прем'єр-міністерка". Посада витягається з контексту і додається при першому згадуванні.

Як AI знаходить спікерів

1. spaCy NER: проходить по тексту, шукає named entities типу PER (person)
2. Fuzzy match: порівнює знайдені імена з базою вже відомих 30+12 спікерів. Якщо схожість >80% — пропонує цього спікера.
3. Контекстна класифікація: якщо цитата позитивна про Мінфін → спікер пропонується як "позитив". Якщо критика → "негатив".

Коли AI помиляється

• Нова персона: спікер вперше у вашій базі. AI не запропонує — додайте вручну. Після додавання — наступного разу AI вже знатиме.
• Помилка в посаді: AI вписав застарілу посаду (Свириденко як "віце-прем'єр" замість "прем'єр-міністерка"). Видаліть і додайте з нової бази.
• Невірна полярність: AI поклав спікера в "позитив", але насправді його цитата сарказм. Видаліть звідти і додайте в "негатив".

Додавання спікерів

3 способи:

1. Click на AI-chip (синій пунктирний) — додає в "позитив" за замовч.
2. "+" кнопка → popover з усіма 30/12 спікерами в базі → клік → додає в потрібну категорію
3. Inline через клавіатуру: у dropdown введіть кілька букв → autocomplete

Це підхід для коли AI у вашому проєкті вже навчений (через ~150 пройдених статей) і agreement > 80%.

Phase 1: Bulk accept (30 хв на 200 статей)

1. Відкрити Grid view
2. Фільтр: "High AI confidence" — залишаються лише статті де AI впевнений у всьому
3. Натиснути "✨ Прийняти AI на всіх" → AI заповнює всі поля
4. Швидкий проскролл по таблиці — якщо все виглядає OK, натиснути "✓ Завершити вибрані" з checkbox Select all

→ Зазвичай 50-70% статей пройде через bulk-accept за 30 хв.

Phase 2: Medium confidence (2-2.5 години на ~80 статей)

1. Фільтр: "Pending" + Grid view залишається
2. Йдете по рядках, на кожному:
   • Перевіряєте AI-pills (актив/пасив) — клікаєте Accept (якщо OK) або переключаєте
   • Дивитесь на ✨ chips тез — клікаєте на правильні з top-5
   • Дивитесь на ✨ speakers — клікаєте на тих хто реально спікер
   • Якщо потрібна повніша картина — клікаєте на назву → відкривається Card → читаєте → повертаєтесь у Grid
3. На кожній статті середнім часом ~1.5 хв

Phase 3: Тонкі випадки (1 година на ~30 статей)

1. Фільтр: "Pending" — лишилися лише складні
2. Для кожної: відкриваєте Card view, читаєте повний текст з highlights, ретельно кодуєте
3. На цих статтях AI confidence низький → треба експертна оцінка
4. ~2-3 хв на статтю

Quick shortcuts

Кожне ваше рішення — це training signal. AI логує:

• Accept — ви прийняли AI пропозицію → AI запам'ятовує: "так, embedding цієї статті ↔ ця теза = pattern працює"
• Reject — ви відкинули → AI знижує confidence для цього патерну
• Override — ви замінили AI пропозицію на іншу → AI вчиться що для подібного embedding потрібна інша відповідь
• Add new — ви додали те що AI не запропонував → AI підіймає цю тезу для майбутніх схожих статей

Cron-цикл навчання (кожну годину)

Backend перераховує thesis centroids: для кожної з 91 тез бере всі embedding'и статей, на яких ви її підтвердили, обчислює середній (centroid). Наступного разу схожість обчислюється не з embedding'ом тези, а з centroid'ом успішних застосувань.

Результат: через 100 статей AI бачить вашу персональну логіку застосування тези, не просто словесну схожість.

Метрики які бачите у шапці

• AI вивчив N патернів — скільки унікальних field → value комбінацій ви підтвердили
• AI agreement — % ваших accept'ів / (accept'и + reject'и)
• Зекономлено N хв — оцінка vs ручне кодування

Що НЕ робити (зруйнує навчання)

• Не натискайте "Accept all AI" не дивлячись у перші 50 статей — AI вирішить що його сировинна логіка правильна і не вдосконалюватиметься
• Не кодуйте у поспіху неточно — AI запам'ятовує ВСЕ що ви натискаєте. Якщо ставите неправильні тези — навчиться неправильно
• Не змінюйте семантику тезів у середині проєкту — це руйнує centroids

Формати

• 📊 Excel (113 cols) — точно як ваш ТЗ-шаблон. Клієнт відкриває і одразу читає звичним способом.
• 📋 Excel summary — стиснений: лише агрегати (% по тезах, спікери у списку, тональність-розподіл)
• 📄 PDF executive brief — AI генерує текстовий звіт на 2-3 сторінки з висновками, на основі ваших закодованих даних
• 🗂️ CSV — для подальшого аналізу в Python/R
• 🔌 JSON — для інтеграції з CRM клієнта

Pre-export checklist

1. Переключіться в Excel-mode — побачите всі 113 cols як буде у файлі
2. Перевірте footer: "Прокодовано N/N" — має бути 100%
3. Перевірте що нема "—" у fixed-полях (де реально має бути значення)
4. Перевірте чи у "побіжна згадка" не забагато прапорців (якщо >30% — щось не так)
5. Натисніть "Експорт .xlsx" → файл завантажується автоматично

Що в експорті

• Колонки 1-18: метадані з newsomo (auto)
• Колонки 19-22: fixed-coding (ваше)
• Колонки 23-113: 91 тезова колонка з 1/пусто
• Колонка 114: побіжна згадка
• Footer: дата експорту, аналітик-email, fingerprint проєкту, AI agreement, версія newsomo

Автоматичні розклади

У Project Setup → step 5 ви могли налаштувати auto-reports: щодня / щотижня / щомісяця. Тоді ваш звіт автоматично надсилається на email клієнта + кладеться в Google Drive у папку /newsomo/{project-fingerprint}/reports/.