Как нормализовать Unicode в корпусе AI перед поиском дубликатов

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для AI-оценки важно отдельно хранить вход, ожидаемую метку и фактический результат: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Кафе и строка с е как е либо канонически разложенным символом демонстрируют различие кодовых точек; в скрипте используются café и café, у которых нормализованные формы совпадают. Для café и cafe с комбинируемым акцентом ожидается один ключ; платёж и платеж остаются разными ключами. Это проверка кодирования, не лингвистической эквивалентности. Перед тем как применять правило к закрытому корпусу, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Сохраните функцию key рядом с загрузчиком фикстур и вызывайте её только для сравнения технических дублей; исходную строку сохраняйте отдельно для ревью. Выполните оба assert локально: первый доказывает, что пример действительно различается до нормализации, второй — что NFC объединяет его. Третий проверяет, что не происходит произвольного склеивания разных русских написаний. Затем запустите тот же файл в PR. Перед применением к большому корпусу посмотрите несколько пар совпадений глазами.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки корпуса до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
import unicodedata

def key(text):
    return unicodedata.normalize("NFC", text.strip())

left = "caf\u00e9"
right = "cafe\u0301"
assert left != right
assert key(left) == key(right)
assert key("Срочно: платёж") != key("Срочно: платеж")
print("Canonical duplicates detected; distinct Russian text preserved")

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Не используйте NFC как механизм обнаружения персональных данных или защиты от подмены алфавитов. Разные написания «ё» и «е» требуют отдельного языкового решения. Измерять долю дублей можно только на реальном корпусе, а этот пример не показывает статистику. Если вы увеличиваете корпус, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного корпуса в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, размер и происхождение набора, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Чек-лист финальной проверки