Как подготовить PDF для нейросети и не отдать лишние данные
PDF выглядит как один документ, но технически может содержать несколько слоёв: видимый текст, отсканированные страницы, скрытые комментарии, формы, вложения и сведения о том, кто создавал файл. Когда документ загружают в нейросеть, задача обычно намного уже полного содержимого. Человеку нужен ответ по трём пунктам договора или краткая сводка отчёта, а вместе с ними он передаёт подписи, контакты, историю правок и данные третьих лиц. Подготовка файла начинается с ограничения задачи, а не с кнопки «прикрепить».
Сначала определите вопрос
Напишите на одной строке, какое решение должен поддержать ответ: «найти срок расторжения», «сравнить две редакции пункта», «собрать перечень обязательств». Если вы не можете сформулировать вопрос, загрузка всего PDF почти наверняка даст расплывчатое резюме и расширит круг переданных данных. Определите, какие страницы нужны, кто имеет право видеть документ и можно ли отправлять его внешнему сервису. В компании это следует сверить с внутренней политикой, договором с клиентом и настройками выбранного ИИ. Одна техническая возможность загрузки не равна разрешению на передачу.
Сделайте рабочую копию файла. Исходник оставьте неизменным, чтобы позже сравнить результат и восстановить контекст. Запишите название версии, дату, число страниц и источник получения. Если заголовок файла содержит фамилию или номер сделки, переименуйте копию нейтрально. Номер дела внутри текста тоже может быть чувствительным. Для пилота нередко достаточно извлечь два абзаца в отдельный текстовый файл, не передавая полный договор.
Проверьте, какой PDF перед вами
Откройте документ и попробуйте выделить одно предложение. Если текст выделяется корректно, скорее всего внутри есть текстовый слой. Если выделяется вся страница как картинка, потребуется распознавание. Скан может содержать мелкий шрифт, рукописные пометки и печати, которые OCR прочитает с ошибками. Не принимайте уверенный ответ модели за доказательство точного распознавания. Сравните имена, даты и суммы глазами с изображением страницы. Дополнительное объяснение различия между изображением и структурированными данными есть в материале о подготовке документов к поиску.
Даже текстовый PDF не гарантирует правильный порядок чтения. Две колонки, сноски и таблицы могут превратиться в перемешанный поток. Проверьте пробный фрагмент: последовательность заголовков, связь суммы с валютой, принадлежность сноски к пункту. Если таблица важна для решения, лучше отдельно выгрузить её с явными заголовками столбцов и номерами строк. В запросе к модели укажите: «не делай вывод по строке, если потеряна колонка или номер страницы». Отсутствующую структуру не следует дорисовывать предположением.
Удаляйте данные осознанно
Закрыть фамилию чёрным прямоугольником на экране недостаточно: текст под ним может оставаться доступным для копирования и поиска. Используйте настоящее редактирование содержимого в проверенном редакторе PDF либо создайте новый документ только из разрешённых фрагментов. После обработки снова откройте файл, попробуйте выделить и найти закрытые слова, проверьте свойства и вложения. Если строка всё ещё извлекается, обезличивание не состоялось. Это особенно важно для паспортных данных, телефонов, адресов и платёжных реквизитов.
Не удаляйте бездумно всё, что кажется лишним. Контекст иногда нужен для правильного толкования: исключение в соседнем пункте может менять срок или обязанность. Выделите минимальный набор фрагментов вместе с определениями и ссылками на приложения. Составьте небольшую таблицу: какой факт оставлен, зачем он нужен и чем заменён идентификатор человека. Такой журнал помогает понять, не потеряли ли вы смысл при обезличивании. Для повторяющихся задач удобно использовать журнал правок ИИ, где фиксируют исходный фрагмент, ответ и человеческое исправление.
Передайте модели управляемую задачу
Укажите цель, границы и формат ответа. Пример: «По этим страницам найди условия досрочного расторжения; для каждого утверждения укажи номер страницы и точную цитируемую фразу; если условия нет, напиши, что его не нашёл». Не просите «проанализировать все риски» без критерия: модель может смешать реальные условия договора с общими предположениями. Отдельно запретите выводить личные данные в финальной сводке, если они не нужны для решения. Это не заменяет предварительное удаление данных: модель уже получила то, что было загружено.
Проверьте результат по исходной копии. Откройте каждую названную страницу, сверяйте цифры, отрицания и исключения. При отсутствии ссылок на страницы ответ остаётся подсказкой, не готовым заключением. Если модель неверно поняла один пункт, исправьте его явно и перепроверьте соседние: ошибки часто повторяются в однотипных формулировках. Метод контроля похож на проверку ответов по двум уровням: сначала подтверждаем извлечение факта, затем оцениваем полезность вывода.
Чего делать не стоит
Не загружайте в личный чат рабочий архив только потому, что в нём «ничего секретного на вид». Не считайте пароль на PDF достаточной защитой после того, как сервис его открыл. Не отправляйте целый документ для задачи по одному определению. Не удаляйте исходник после удачного ответа: без него нельзя проверить спорные места. Не выдавайте нейросетевую выжимку за юридическое или бухгалтерское заключение. Для чувствительного документа необходим профильный специалист и утверждённый канал обработки.
Итоговый контроль прост: сформулирован вопрос; выбран минимальный фрагмент; проверены текстовый слой, порядок чтения и метаданные; настоящим способом удалены лишние данные; ответ сверён со страницами исходника. Этот порядок занимает время, но снижает риск передать лишнее и принять аккуратно написанную ошибку за факт.
Вопросы по делу
Если PDF запаролен, можно отправлять его целиком? Пароль защищает доступ до открытия. После загрузки содержимое обрабатывается сервисом, поэтому остаются вопросы права передачи и минимизации.
Можно ли просто сделать скриншот нужной страницы? Иногда да, если там нет лишних данных. Но текст на изображении тоже распознаётся, а мелкие сноски модель может пропустить.
Нужно ли сохранять обезличенную копию? Да, если политика организации это разрешает. Она нужна для воспроизводимости, но хранить её следует в защищённом месте и ограниченный срок.