AI-pipeline för regulatoriska texter med expertgranskning

En rådgivningsfirma ville publicera regulatoriska kommentarer utan att experterna själva skulle skriva första utkasten. Varje påstående behövde en färsk primärkälla, och en granskning tar dagar.

Ensam utvecklare: arkitektur, kod och promptar, och driftsättningen på Azure med Terraform.

• Arkitektur: Durable Functions med inbyggda pauser över flera dagar, fan-out och omförsök; modeller, embeddings och publicering bakom adaptrar, så att en leverantör kan bytas ut.
• Frontend: Granskarna godkänner ämnen och översättningar på serverrenderade sidor. Ett klick öppnar utkastet i Word på webben, och ändringarna sparas när de stänger det. En AI-funktion skriver om utkastet på begäran.
• Backend: Parallella utkast, eskalering av granskningar som fastnat, spärr mot dubbla körningar och stopp vid intressekonflikter.
• Data och AI: Daglig inläsning med OCR och ett färskhetsfönster på 45 dagar; hybridsökning i Azure AI Search med en domänanpassad embeddingmodell från Voyage AI, vald för kundens material; versionerade promptar.
• Säkerhet: Signerade granskningslänkar som löper ut, nonce-baserad CSP, managed identity och loggar som vägrar ta emot tokens och utkasttext.
• Infrastruktur och DevOps: Terraform med 55 resursdefinitioner och 18 larmregler.
• Test: Runt 1 600 enhetstester och 16 verifieringsskript.

• Strukturerad output är till för data, inte prosa. Min första design bad modellen om hela artikeln i ett enda JSON-svar, och utkasten kom tillbaka på runt 300 ord. Jag spårade felet till formatet, inte prompten, och delade upp skrivandet och struktureringen i två anrop: medianen steg till 1 084 ord, tillräckligt för att experterna ska redigera i stället för att skriva om.
• En promptregel är ingen kontroll. Vissa företagsnamn får aldrig förekomma, så en deterministisk kontroll backar upp promptregeln. Testad mot firmans tidigare texter hittade den det enda verkliga omnämnandet, utan ett enda falskt stopp.
• Mät innan du bygger. Innan jag byggde kostnadsspärrar för embeddings räknade jag på en körning: embeddings stod för 7–10 % av kostnaden, OCR för runt 90 %. Jag rättade den verkliga buggen i stället.

Experterna får utkast med källor att granska i stället för att skriva dem själva. En körning med produktionskonfiguration klarade 28 av 28 kontroller hela vägen, från konfliktkontroll till godkännande av varje artikel på båda språken.