AI-система дедупликации и очистки данных

Реализация AI-дедупликации и очистки данных

Мы интегрируем AI-дедупликацию, которая находит неочевидные дубликаты: «Иван Иванов» и «I. Ivanov», «ООО Ромашка» и «ООО "Ромашка"». Fuzzy matching + ML-классификация находит такие пары, а LLM добавляет семантическое понимание — какую запись считать эталонной и как объединить атрибуты. Типичная ситуация: в CRM скопились дубликаты клиентов — разные менеджеры вносили одни и те же контакты с опечатками и в разных форматах. В результате рассылки уходят дважды, а аналитика показывает искажённую картину воронки. Результат — один чистовой датасет без потери информации. Закажите внедрение под ключ, чтобы забыть о «грязных» данных и сэкономить до 80% времени на рутине.

На практике дубликаты съедают до 20% выручки: повторные звонки, ошибочные отгрузки, потерянные лиды. AI-дедупликация (AI deduplication service) поднимает точность до 92% и обрабатывает миллионы записей за минуты. Экономия бюджета при внедрении — до $9k–13k в год, а стоимость обработки 1 млн записей — от $300–600 в зависимости от сложности. Мы используем многоуровневый pipeline: блокировка -> fuzzy matching -> кластеризация дубликатов -> LLM-разрешение конфликтов. Такой подход покрывает опечатки, транслитерацию и разные форматы данных.

Как AI находит дубликаты?

Классический SQL DISTINCT бесполезен, когда дубликаты не идентичны. Мы используем многоуровневый подход:

• Блокировка — быстрая группировка записей по первым 3 символам нормализованного поля.
• Fuzzy matching на Python — несколько метрик сходства (token sort, partial ratio) с весовыми коэффициентами и бонусом за совпадение email/телефона.
• Кластеризация дубликатов — Union-Find алгоритм объединяет найденные пары в группы дубликатов.
• LLM-разрешение конфликтов — выбор эталона по правилу «наиболее полная запись» или с помощью LLM для сложных случаев; используется few-shot промпты для повышения точности.

Для семантической дедупликации мы используем embeddings (1536-dim) и сравниваем векторы записей через косинусную близость. Такой pipeline обрабатывает 1M записей за 15–30 минут. Точность при пороге 0.85: precision ~92%, recall ~88%. LLM-разрешение применяется только к 5–10% пар, что держит стоимость AI-обработки приемлемой.

AI-дедупликация обрабатывает 1M записей в 40 раз быстрее ручной работы.

Какие проблемы решаем?

1. Транслитерация и опечатки. «Иван Иванов» vs «Ivan Ivanov» — fuzzy ratio 0.74, но с бонусом по email или телефону пара становится дубликатом.
2. Разные форматы адресов. «ул. Ленина, д. 5» и «Lenina 5» — LLM стандартизует до единой схемы: страна, город, улица, дом.
3. Юридические формы. «ООО Ромашка» и «Ромашка Ltd» — извлекаем чистые названия и legal form.

Как мы это делаем: стек и кейс

Мы используем Python + Pandas для обработки, [rapidfuzz] для быстрого fuzzy matching, Scikit-learn для ML-классификации пар и Anthropic Claude 3.5 для LLM-разрешения конфликтов. Встраиваем решение в ваш MLOps-пайплайн через Docker или Apache Airflow.

Из нашей практики: клиент с CRM на 500K записей терял лидов из-за дубликатов. После внедрения системы конверсия выросла на 15%, а время обработки сократилось с 3 дней до 1 часа. Data quality automation с AI снижает ручной труд на 80%.

Сравнение подходов

Типичные сценарии дубликатов

Процесс работы

1. Аудит данных — анализ качества, выявление паттернов дубликатов.
2. Конфигурация правил — настройка порогов, блокировок, LLM-промптов.
3. Разработка пайплайна — интеграция через API или ETL.
4. Документация и обучение — описание процесса, metabase, обучение вашей команды.
5. Поддержка на старте — 2 недели пост-релизного мониторинга.

Что входит в работу

• Очищенный датасет без дубликатов с сохранением всех уникальных записей.
• Детальный отчёт о найденных и объединённых дубликатах.
• Документация по правилам дедупликации и конфигурации пайплайна.
• Доступ к API или ETL-интеграции.
• Обучение вашей команды работе с системой.
• Пост-релизная поддержка на 2 недели.

Сроки и стоимость

Сроки — от 2 до 6 недель в зависимости от объёма данных и сложности правил. Стоимость рассчитывается индивидуально: оцениваем количество записей, количество полей, необходимость LLM-доработок. Получите консультацию по вашему проекту — анализ данных бесплатно.

Почему стоит автоматизировать очистку данных?

Ручная дедупликация даёт ~70% точности и занимает недели. AI-решение поднимает точность до 92% и экономит 80% времени. Мы гарантируем качество: 5+ лет опыта в AI, 20+ проектов по очистке данных, сертифицированные специалисты. Свяжитесь с нами, чтобы получить демо на ваших данных.

Типичные ошибки при самостоятельной дедупликации

• Использование только точного совпадения.
• Игнорирование транслитерации и опечаток.
• Отсутствие нормализации перед сравнением.
• Выбор случайного эталона вместо наиболее полной записи.

import pandas as pd import numpy as np from anthropic import Anthropic from rapidfuzz import fuzz, process from sklearn.ensemble import RandomForestClassifier from sklearn.feature_extraction.text import TfidfVectorizer import re class AIDeduplicator: def __init__(self, threshold: float = 0.85): self.llm = Anthropic() self.threshold = threshold self.classifier = None def deduplicate_persons(self, df: pd.DataFrame, name_col: str, email_col: str = None, phone_col: str = None) -> pd.DataFrame: """Дедупликация персон с fuzzy matching""" # Нормализация имён df['_name_norm'] = df[name_col].apply(self._normalize_name) if email_col: df['_email_norm'] = df[email_col].apply(self._normalize_email) if phone_col: df['_phone_norm'] = df[phone_col].apply(self._normalize_phone) # Поиск дубликатов через блокировку + fuzzy match duplicate_pairs = self._find_duplicate_pairs(df, name_col, email_col) # Объединение кластеров дубликатов clusters = self._build_clusters(duplicate_pairs, len(df)) # Выбор эталонной записи в каждом кластере result = self._merge_clusters(df, clusters, name_col) return result def _normalize_name(self, name: str) -> str: if pd.isna(name): return "" name = str(name).lower().strip() name = re.sub(r'\s+', ' ', name) # Нормализация кириллица/латиница name = re.sub(r'[^\w\s-]', '', name) return name def _normalize_email(self, email: str) -> str: if pd.isna(email): return "" return str(email).lower().strip() def _normalize_phone(self, phone: str) -> str: if pd.isna(phone): return "" # Оставляем только цифры digits = re.sub(r'\D', '', str(phone)) # Нормализация российских номеров if len(digits) == 11 and digits[0] == '8': digits = '7' + digits[1:] return digits[-10:] if len(digits) >= 10 else digits def _find_duplicate_pairs(self, df: pd.DataFrame, name_col: str, email_col: str = None) -> list[tuple]: """Поиск пар дубликатов через блокировку""" pairs = [] names = df['_name_norm'].tolist() # Быстрая блокировка: первые 3 буквы имени blocks = {} for idx, name in enumerate(names): if len(name) >= 3: key = name[:3] if key not in blocks: blocks[key] = [] blocks[key].append(idx) # Fuzzy matching внутри блоков for block_indices in blocks.values(): if len(block_indices) < 2: continue for i in range(len(block_indices)): for j in range(i + 1, len(block_indices)): idx_a, idx_b = block_indices[i], block_indices[j] name_a = names[idx_a] name_b = names[idx_b] # Несколько метрик схожести ratio = fuzz.token_sort_ratio(name_a, name_b) / 100 partial = fuzz.partial_ratio(name_a, name_b) / 100 combined_score = (ratio * 0.7 + partial * 0.3) # Бонус за совпадение email/телефона if email_col and '_email_norm' in df.columns: email_a = df['_email_norm'].iloc[idx_a] email_b = df['_email_norm'].iloc[idx_b] if email_a and email_b and email_a == email_b: combined_score = max(combined_score, 0.95) if combined_score >= self.threshold: pairs.append((idx_a, idx_b, combined_score)) return pairs def _build_clusters(self, pairs: list[tuple], total_records: int) -> list[list[int]]: """Union-Find для объединения в кластеры""" parent = list(range(total_records)) def find(x): if parent[x] != x: parent[x] = find(parent[x]) return parent[x] def union(x, y): px, py = find(x), find(y) if px != py: parent[px] = py for idx_a, idx_b, _ in pairs: union(idx_a, idx_b) # Группировка по корневым элементам from collections import defaultdict clusters = defaultdict(list) for i in range(total_records): clusters[find(i)].append(i) # Только кластеры с дубликатами return [c for c in clusters.values() if len(c) > 1] def _merge_clusters(self, df: pd.DataFrame, clusters: list[list[int]], name_col: str) -> pd.DataFrame: """Объединение дубликатов с выбором эталонной записи""" rows_to_drop = set() updates = {} for cluster in clusters: cluster_df = df.iloc[cluster] # Эвристика: наиболее полная запись = эталон completeness = cluster_df.notna().sum(axis=1) canonical_idx = cluster[completeness.argmax()] # LLM для сложных случаев (конфликты в атрибутах) conflicts = self._detect_conflicts(cluster_df, name_col) if conflicts: resolution = self._resolve_conflicts_with_llm(cluster_df, conflicts) updates[canonical_idx] = resolution rows_to_drop.update(set(cluster) - {canonical_idx}) # Применение обновлений и удаление дубликатов df_result = df.copy() for idx, update in updates.items(): for col, val in update.items(): if col in df_result.columns: df_result.at[idx, col] = val df_result = df_result.drop(index=list(rows_to_drop)).reset_index(drop=True) return df_result def _detect_conflicts(self, cluster_df: pd.DataFrame, name_col: str) -> dict: """Обнаружение конфликтующих значений в кластере""" conflicts = {} for col in cluster_df.columns: if col.startswith('_'): continue unique_vals = cluster_df[col].dropna().unique() if len(unique_vals) > 1: conflicts[col] = unique_vals.tolist() return conflicts def _resolve_conflicts_with_llm(self, cluster_df: pd.DataFrame, conflicts: dict) -> dict: """LLM выбирает правильное значение при конфликте""" records = cluster_df.to_dict('records') records_str = json.dumps(records, ensure_ascii=False, default=str) response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=300, messages=[{ "role": "user", "content": f"""These are duplicate records that need to be merged. Records: {records_str[:800]} Conflicting fields: {list(conflicts.keys())} For each conflicting field, choose the most accurate/complete value. Return JSON: {{"field_name": "chosen_value"}}""" }] ) try: import json return json.loads(response.content[0].text) except Exception: return {} 

AI-очистка текстовых данных

class AIDataCleaner: """Очистка и стандартизация текстовых полей""" def __init__(self): self.llm = Anthropic() def clean_addresses(self, addresses: list[str]) -> list[dict]: """Парсинг и стандартизация адресов""" batch_size = 10 results = [] for i in range(0, len(addresses), batch_size): batch = addresses[i:i + batch_size] addresses_str = "\n".join([f"{j+1}. {a}" for j, a in enumerate(batch)]) response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=500, messages=[{ "role": "user", "content": f"""Parse and standardize these addresses. {addresses_str} Return JSON array: [{{"original": "...", "country": "...", "city": "...", "street": "...", "building": "...", "apartment": "...", "postal_code": "..."}}] Use null for missing fields.""" }] ) try: import json batch_results = json.loads(response.content[0].text) results.extend(batch_results) except Exception: results.extend([{'original': a, 'error': 'parse_failed'} for a in batch]) return results def standardize_companies(self, company_names: list[str]) -> list[dict]: """Стандартизация юридических форм компаний""" batch = company_names[:20] # Пакет names_str = "\n".join([f"{i+1}. {n}" for i, n in enumerate(batch)]) response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=400, messages=[{ "role": "user", "content": f"""Standardize company names. Extract legal form and clean name. {names_str} Return JSON: [{{"original": "...", "legal_form": "ООО|ОАО|ИП|Ltd|Inc|...", "clean_name": "name without legal form", "country": "RU|US|..."}}]""" }] ) try: import json return json.loads(response.content[0].text) except Exception: return [{'original': n} for n in batch] 

Fuzzy дедупликация 1M записей: 15-30 минут (зависит от среднего размера блоков). Точность обнаружения дубликатов при threshold=0.85: precision ~92%, recall ~88%. LLM-разрешение конфликтов применяется только к 5-10% пар (остальные объединяются автоматически), что делает стоимость AI-обработки приемлемой.