Правительство США опубликовало массив рассекреченных документов, содержащих отчеты о предполагаемых контактах с неопознанными летающими объектами. Исходный формат архива представляет собой неструктурированные сканы, что существенно затрудняет автоматизированный анализ, парсинг и сквозной поиск по тексту, ограничивая работу с данными для аналитиков.

Для перевода материалов в машиночитаемый вид был запущен проект по пошаговой оцифровке архива, в рамках которого правительственные файлы конвертируются в формат .md. В качестве инструмента распознавания и структурирования используется модель Gemini 3.1 Flash-Lite Preview, при этом итоговый объем корпуса составит около четырех тысяч текстовых документов, загружаемых в репозиторий по мере обработки.

Трансформация визуальных артефактов в чистый Markdown создает готовую инфраструктуру для применения алгоритмов обработки естественного языка. Наличие размеченного текста означает, что дата-инженеры могут использовать этот датасет для построения графов связей, развертывания RAG-систем или автоматизированного поиска скрытых паттернов в рапортах без необходимости самостоятельно заниматься OCR-процессингом.