teqo-backup/docs/changelog/2026-09-30-c237.md
Francisco Solla 3201b7a93f feat(C237): vetor da fala inclui o sumário/keywords oficiais
A Fase 5 pós-deploy do C229 mediu o corpus real e o aceite 'impeachment'
falhava: a 222 (votação do impeachment de Dilma, 17/04/2016) ficava em #841
porque o índice só embutia o ASR — e a fala nunca pronuncia 'impeachment';
a relevância dela mora no sumário/keywords oficiais da Câmara.

O plano do índice passa a carregar metadataText (sumário — ou título no web
— + keywords, incluído no hash de idempotência) e o vetor da fala vira
normalize(média das unidades + 2·metadata), calibrado no corpus real
(w=2: 222 em #8; w=1: #25). A metadata é vetorizada no mesmo lote do
provedor mas não vira unidade armazenada nem evidência; sem migration.

Related #1395
2026-09-29 22:53:41 -03:00

1.6 KiB

C237 — Acervo por tema: o vetor da fala passa a incluir o sumário/keywords oficiais (2026-09-30): a Fase 5 pós-deploy do C229 mediu o corpus real e o aceite "impeachment → fala da votação de Dilma" falhava: a 222 (17/04/2016) ficava em #841 e a 216 (14/04/2016) em #82, enquanto 8 das 10 primeiras eram falas que sequer citam impeachment/impedimento (golpe, cassação, PGR/Temer) — o índice só embutia o ASR, e a 222 nunca pronuncia "impeachment"; a relevância dela mora no sumário/keywords oficiais da Câmara, que nunca entravam no vetor. Fix: planSpeechIndex ganha metadataText (sumário — ou título no web — + keywords cruas; speechMetadataText) e o hash de idempotência inclui a metadata (editar o sumário reindexa); o vetor da fala passa a ser normalize(média_das_unidades + 2·metadata) (composeSpeechVector, SPEECH_METADATA_VECTOR_WEIGHT = 2 calibrado no corpus real: w=2 leva a 222 à #8 com o cluster do tema na frente; w=1 deixava em #25); a metadata é vetorizada no mesmo lote do provedor mas não vira unidade armazenada nem evidência (o "Trecho mais próximo do tema" continua falado) e não há migration. CLI acervo:index seleciona/passa title/keywords e o relatório ganha (+N metadados) ao lado dos trechos (dry-run e write), com testes unit do plano/hash/composição/relatório e int do ranking (fala cujo ASR não cita o tema vence pela metadata). Reindexar produção após o deploy (hash muda para toda fala com metadata; ~US$ 0,007 e ~31 min no corpus atual). Evidência da Fase 5 e aceite na Issue #1395.