Deterministická náhrada pro doménově specifické termíny. Nahrajte jména klientů, krycí jména projektů, interní ID — ty termíny se maskují ve 100 % případů, ne v 99,9 %.

Proč slovníky?

ML detekce je výborná pro obecné entity (jména, e-maily, adresy), ale rozhoduje pravděpodobnostně. Když se váš compliance tým zeptá „jste si jistí, že se jméno klienta X maskuje?”, „v 99,9 % případů” není odpověď, kterou chce. Slovníkový záznam dává záruku.

Slovníky taky zachytí věci, které žádný univerzální model nezná:

• Vaše interní krycí jména projektů (Operation Aurora, Polaris v2)
• Variace právního jména vašeho klienta („ACME Group”, „ACME AG”, „ACME” — všechno stejná entita)
• Vlastní adresář zaměstnanců
• Termíny unikátní pro vaši doménu — právní case ID, ID klinických studií, archeologické kódy

Struktura slovníku

Každý slovník má:

• Název — pro organizaci (např. clients-vip, internal-codenames)
• Záznamy — termín → náhradní token → volitelná kategorie
• Scope — na které Bases / politiky se slovník aplikuje
• Priorita — když se shoduje víc slovníků, vyhrává vyšší priorita

Příklad

Termín	Náhrada	Kategorie
Aurora	[PROJECT_1]	project
Polaris	[PROJECT_2]	project
Dr. Nováková	[PERSON]	person
XY-2026-ALPHA	[CASE_ID]	case
Oddělení hematologie	[DEPT]	dept

Vytvoření slovníku

Tři cesty:

Nahrát soubor

Přetáhněte CSV, JSON nebo YAML soubor do admin UI StellarGate. Mapování sloupců je automatické, pokud má soubor rozpoznatelné hlavičky. Podporuje tisíce záznamů.

Postavit ručně

Klikněte na „Add entry” pro hrstku termínů. Užitečné, když seedujete nový slovník nebo přidáváte ad-hoc záznamy.

Programatic

Admin API StellarGate přijímá CRUD nad slovníky. Synchronizujte s vaším HR / matter-management / project-management systémem, aby slovník zůstával aktuální, jak se vaše organizace vyvíjí.

Pravidla shody

Citlivost na velikost písmen

Slovníky jsou defaultně case-insensitive, ale lze je nastavit jako case-sensitive per záznam. „ACME” by se shodlo s „acme”, „Acme” atd.

Hranice slov

Shody respektují hranice slov — „ACME” se neshodne uvnitř „ACMEWARE”. Vypněte per záznam, pokud chcete substring shodu.

Varianty a aliasy

Záznam může mít víc variant, které všechny mapují na stejný token:

• „ACME Group”, „ACME AG”, „ACME” → všechno se stane [ORG_1]
• „John Smith”, „J. Smith”, „Smith, John” → všechno se stane [PERSON_1]

Tohle je důležité pro konzistenci — pokud LLM vidí stejnou entitu odkazovanou víc způsoby a všechny mapují na stejný token, jeho uvažování o té entitě zůstává koherentní.

Diakritika

Defaultně shody bez ohledu na akcenty. „Novák” se shoduje s „Novak” a naopak. Užitečné pro česká, slovenská, polská, maďarská, francouzská jména psaná s nebo bez diakritiky.

Priority

Slovníky se vyhodnocují v priority pořadí, které si nakonfigurujete — vaše vysoce prioritní slovníky (per klient, per matter) přebijí širší firemní, allowlisty jsou respektovány první a ML detekce je vždy záchranná síť pro cokoli, co žádné pravidlo nezachytilo.

Testování

Dry-run nástroj umožňuje vložit jakýkoli text a vidět přesně, co každý slovníkový záznam zachytí. Použijte ho před nasazením nového slovníku do produkce — obzvlášť důležité pro regex pravidla, která mohou mít nezamýšlené shody.

Verzování

Každá změna slovníku je verzovaná. Okamžité rollback, pokud nový záznam způsobí nečekané chování. Audit stopa ukazuje, kdo přidal/upravil/smazal každý záznam a kdy.

Sdílení slovníků napříč Bases

Slovník lze připojit k:

• Jednomu Base (nejběžnější)
• Skupině Bases (např. všechny Bases corporate finance)
• Celému tenantovi (globální slovníky)

Oprávnění na editaci vs. aplikaci jsou oddělená — compliance officer může být jediný, kdo smí slovník upravit, ale použít ho může mnoho analytiků.

Velikost a výkon

Slovníky škálují na enterprise-size seznamy termínů bez znatelné režie per request. Pro velmi rozsáhlé katalogy je rozdělte podle scope, aby se pro každý Base vyhodnocovala ta správná pravidla.

Související

• Co detekujeme — jak slovníky zapadají do pipeliny
• Human-in-the-Loop — kombinace slovníků s reviewem