بررسی منابع رسمی داده و امکان‌سنجی فنی

پس از مشخص شدن صورت مسئله، مرحله دوم پژوهش رسمیو در مرداد ۱۳۹۷ به یک پرسش عملی پرداخت: کدام داده‌ها واقعاً در دسترس‌اند و با چه کیفیتی؟

این مرحله همچنان پیش از انتشار نخستین نسخه عمومی است و خروجی آن یک محصول نبود، بلکه فهرستی از منابع قابل اتکا و شناخت محدودیت‌های هرکدام بود.

🔍 یافته‌های پژوهش

سیاهه منابع رسمی

منابع بررسی‌شده در این مرحله به سه دسته تقسیم شدند:

• منابع پایه هویت شرکت — روزنامه رسمی کشور و سازمان ثبت اسناد و املاک، که ثبت، تغییرات و انحلال شرکت‌ها را منتشر می‌کنند
• منابع وضعیت و اعتبار — سازمان امور مالیاتی، سامانه ارزش افزوده و مراجع صادرکننده مجوز
• منابع تخصصی — کدال برای شرکت‌های بورسی، سامانه جامع تجارت و اتاق بازرگانی

معیار انتخاب در همه موارد یکی بود: داده باید رسمی، قابل ارجاع و دارای تاریخ باشد. منبعی که نتوان گفت اطلاعاتش از کجا و در چه تاریخی آمده، برای تصمیم‌گیری تجاری بی‌ارزش است.

محدودیت‌هایی که همان ابتدا روشن شد

بررسی فنی این منابع سه محدودیت جدی را آشکار کرد که تا امروز هم بر معماری رسمیو اثر دارند:

• آگهی‌ها متن آزادند، نه داده ساخت‌یافته. یک آگهی روزنامه رسمی جمله‌ای فارسی است که باید خوانده و تفسیر شود تا معلوم شود چه کسی به چه سمتی منصوب شده است.
• قالب آگهی‌ها در طول سال‌ها تغییر کرده است. نگارش یک آگهی دهه هشتاد با نگارش امروز یکسان نیست.
• هیچ منبعی کامل نیست. پوشش هر منبع بازه زمانی و دامنه مشخصی دارد و هم‌پوشانی آن‌ها همیشه هم‌خوان نیست.

تصمیم فنی این مرحله

نتیجه امکان‌سنجی این بود که رسمیو باید از ابتدا لایه پردازش متن را جزئی از هسته محصول بداند، نه یک مرحله جانبی. استخراج نام‌ها، سمت‌ها و شناسه‌ها از متن آگهی، همان کاری است که ارزش اصلی را می‌سازد.

همچنین مقرر شد هر داده‌ای که نمایش داده می‌شود، به آگهی یا منبع اصلی خود ارجاع داشته باشد — قاعده‌ای که تا امروز در همه صفحات رسمیو رعایت می‌شود.