26-szorosára nőtt a Harvey heti dokumentumfeldolgozási volumene

Heti több tízmillió dokumentum

A Harvey közlése szerint a dokumentumfeldolgozás a Vault, az Assistant és az ügyféladatokkal dolgozó munkafolyamatok alapja. A jogi felhasználók lekérdezései egyetlen fájltól akár több száz vagy több ezer dokumentumig terjedhetnek. A rendszer szerződéseket, zárási dokumentumcsomagokat, kihallgatási jegyzőkönyveket, e-mail-archívumokat, szkennelt PDF-eket és teljes adat­tér-exportokat dolgoz fel.

A 2026. július 27-én közzétett bejegyzés szerint egy évvel korábban egy mozgalmas héten valamivel kevesebb mint egymillió dokumentumot kezeltek. A legutóbbi teljes héten 24,8 millió dokumentum és 56 terabájt eredeti fájladat feldolgozása történt, szemben az egy évvel korábbi 0,94 millió dokumentummal és 1,44 terabájttal. Ez 26-szor több dokumentumot és 39-szer több adatot jelentett. A legutóbbi teljes hét napi átlaga körülbelül 3,5 millió dokumentum volt.

A feldolgozás több különálló rendszerré vált

A növekedést a Harvey szerint az okozta, hogy az ügyfelek egyedi feltöltések helyett egyre inkább központi rendszerként használják a platformot nagy dokumentumgyűjteményekhez. A Vault mellett a csatlakozók is fontos szerepet kapnak. A vállalat az iManage, a SharePoint, a Box, a Google Drive és a NetDocuments rendszereit, valamint helyben működő telepítéseket említ.

A feldolgozási folyamat három fő szakaszból áll. Az első a fájl és a metaadatok kinyerése, amelybe a fájltípus felismerése, a szöveg és a szerkezet kinyerése, az optikai karakterfelismerés (OCR), valamint a fájltípus, a méret, az oldalszám, a forrás és az állapot rögzítése tartozik. A második szakaszban a rendszer kereshető részekre bontja a szöveget, majd beágyazásokat készít. A harmadikban a részek, a metaadatok és a beágyazások a keresési rétegbe kerülnek, hogy a Vault, az Assistant és a munkafolyamatok keresni, hivatkozni és következtetni tudjanak az ügyfél dokumentumaira.

A Harvey ezeket a szakaszokat különválasztotta, mert eltérő szűk keresztmetszetekkel működnek. A kinyerést a fájlformátum, az OCR és a konvertálás terheli, a darabolást és a beágyazást a részek száma és a beágyazási modell áteresztőképessége, az indexelést pedig a vektortároló írási kapacitása és a háttérterhelés. A vállalat szerint így egy OCR-ben gazdag feltöltés lassíthatja a kinyerési szakaszt anélkül, hogy az indexelést is leállítaná.

Tartós munkafolyamatok és új belső formátum

A korábbi rendszer egy régebbi feladatsorra épült. A növekvő és egyre több kiugrást tartalmazó terhelés mellett a dolgozók újraindulhatottak egy hosszú feladat közepén, a telepítések megszakíthatták a feldolgozást, a későbbi korlátok pedig széles körű újrapróbálkozásokat kényszeríthettek ki. A Harvey ezért a dokumentumfeldolgozást az új Job Frameworkre építette át.

A keretrendszerben a munkafolyamat állapota tartós. Ha egy dolgozó összeomlik vagy telepítés történik egy feldolgozási köteg közben, a rendszer folytatni tudja a munkát a teljes köteg újrakezdése helyett. Az egyes tevékenységekhez külön időkorlát és újrapróbálkozási szabály tartozik. A hibás, jelszóval védett, nem támogatott vagy üres fájlokat a folyamat megjelöli, majd a többi dokumentum feldolgozását folytatja.

A vállalat a Unified Document Format, röviden UDF bevezetéséről is beszámolt. A verziózott belső formátum a korábbi, egyetlen nagy dokumentumobjektum helyett típusos részekre bontja a dokumentumot. A Harvey mérései szerint az új megoldással a kinyerési késleltetés mediánja körülbelül 19, a 90. percentilis 17, a 99. percentilis pedig 11 százalékkal csökkent, a közlés szerint megfigyelt minőségromlás nélkül.