Мультимодальная AI-система: обработка текста, изображений и аудио

Представьте: нужно обработать входящий документ — сканер выдал PDF с накладной, врач надиктовал аудиокомментарий, а клиент прислал фото бракованной детали. Каждый тип данных требует своего инструмента, и склеить их в один мультимодальный пайплайн — задача мультимодальной AI-системы. Мы внедряем такие решения для производства, медицины и логистики: это сокращает ручной труд на 60–80% и снижает ошибки до 0.5% по данным наших проектов. В основе связка Vision LLM (например, Claude Sonnet 4.5), Whisper large-v3 для аудио и кастомная TTS-модель. Типичные latency: 2–5 секунд на комплексный запрос.

Какие проблемы решает мультимодальный пайплайн?

Разнородные форматы данных. Клиент присылает фотографии, сканы, аудиозаписи, видео — всё это нужно объединить и проанализировать в одном контексте. Без мультимодального пайплайна приходится использовать разные утилиты, что ведёт к потере контекста и ошибкам. Видео — извлекаем ключевые кадры, анализируем движение и дефекты.

Качество распознавания. Старые OCR-системы ошибаются на нестандартных шрифтах, Whisper — на акцентах и шуме. Мы подбираем комбинацию моделей, дообучаем их под ваш домен и добавляем постобработку с LLM-валидацией.

Задержки. Последовательная обработка через несколько API даёт latency >30 секунд. Мы строим параллельные пайплайны с очередями (RabbitMQ/Kafka) и кэшированием embeddings — типичное время ответа 2–5 секунд.

Как работает слияние модальностей?

Базовая архитектура включает четыре шага:

1. Аудио → текст через Whisper (модель whisper-1, поддерживает 99 языков).
2. Изображения — кодируются в base64 и передаются в Vision LLM (Claude, GPT-4o). Для больших изображений применяем адаптивный ресайз с сохранением качества.
3. Документы — извлекаем текст через pdfplumber / PyMuPDF, затем объединяем с текстом.
4. Слияние — все модальности собираются в один content-массив и отправляются в LLM с промптом задачи.

Ниже — пример кода на Python (asyncio), который мы используем в production:

from anthropic import AsyncAnthropic
from openai import AsyncOpenAI
import base64
import aiohttp
from pathlib import Path
from typing import Union
from pydantic import BaseModel

anthropic_client = AsyncAnthropic()
openai_client = AsyncOpenAI()

class MultimodalInput(BaseModel):
    text: str | None = None
    image_paths: list[str] = []
    audio_path: str | None = None
    document_path: str | None = None

class MultimodalPipeline:

    async def process(self, input_data: MultimodalInput, task: str) -> str:
        """Обрабатывает мультимодальный ввод"""
        content_blocks = []

        # 1. Аудио → текст
        if input_data.audio_path:
            transcript = await self.transcribe_audio(input_data.audio_path)
            content_blocks.append({"type": "text", "text": f"[Аудио транскрипция]: {transcript}"})

        # 2. Изображения
        for image_path in input_data.image_paths:
            image_block = await self.prepare_image(image_path)
            content_blocks.append(image_block)

        # 3. Документы (PDF)
        if input_data.document_path:
            doc_text = await self.extract_document(input_data.document_path)
            content_blocks.append({"type": "text", "text": f"[Документ]:\n{doc_text}"})

        # 4. Текстовый запрос
        if input_data.text:
            content_blocks.append({"type": "text", "text": input_data.text})

        content_blocks.append({"type": "text", "text": f"\nЗадача: {task}"})

        response = await anthropic_client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            messages=[{"role": "user", "content": content_blocks}],
        )

        return response.content[0].text

    async def transcribe_audio(self, audio_path: str) -> str:
        """Транскрипция аудио через Whisper"""
        with open(audio_path, "rb") as f:
            transcription = await openai_client.audio.transcriptions.create(
                file=(Path(audio_path).name, f.read()),
                model="whisper-1",
                language="ru",
            )
        return transcription.text

    async def prepare_image(self, image_path: str) -> dict:
        """Подготавливает изображение для Claude Vision"""
        if image_path.startswith("http"):
            async with aiohttp.ClientSession() as session:
                async with session.get(image_path) as resp:
                    image_data = base64.b64encode(await resp.read()).decode()
            media_type = resp.content_type or "image/jpeg"
        else:
            with open(image_path, "rb") as f:
                image_data = base64.b64encode(f.read()).decode()
            ext = Path(image_path).suffix.lower()
            media_type = {"jpg": "image/jpeg", "jpeg": "image/jpeg",
                         "png": "image/png", "gif": "image/gif",
                         "webp": "image/webp"}.get(ext[1:], "image/jpeg")

        return {
            "type": "image",
            "source": {"type": "base64", "media_type": media_type, "data": image_data}
        }

    async def extract_document(self, pdf_path: str) -> str:
        """Извлекает текст из PDF документа"""
        import pdfplumber

        text_parts = []
        with pdfplumber.open(pdf_path) as pdf:
            for page in pdf.pages:
                text = page.extract_text()
                if text:
                    text_parts.append(text)

        return "\n\n".join(text_parts)[:10000]

Практический кейс: обработка накладных

Один из наших клиентов — логистическая компания — получал 500+ накладных в день. Ручной ввод занимал 15 минут на документ и давал 8% ошибок. Мы развернули мультимодальный пайплайн:

• Скан накладной → Claude Vision извлекает таблицу, суммы, подписи.
• Если есть аудиокомментарий (например, «исправить на 2000 рублей») — Whisper транскрибирует, LLM корректирует JSON.
• Результат записывается в 1С через API.

Результаты: время обработки упало с 15 минут до 2 секунд, ошибки — с 8% до 0.5%. Экономия бюджета составила 40%.

Как мы строим мультимодальный пайплайн?

1. Аудит задачи — вы присылаете примеры данных, мы замеряем baseline и ставим цели.
2. Проектирование — выбираем модели: Claude Sonnet для vision, Whisper large-v3 для аудио, TTS-1 для синтеза. Оптимизируем pipeline.
3. Реализация — пишем код (Python, async), настраиваем очереди, кэш, мониторинг.
4. Тестирование — A/B-тест против старой системы, фиксируем улучшение.
5. Деплой — контейнеризируем, разворачиваем в вашем контуре (on-prem или облако).

Почему стоит доверить мультимодальный пайплайн нам?

У нас за плечами 5+ лет опыта в AI и 50+ внедрённых проектов. Мы используем production-стеки: PyTorch, Hugging Face, LangChain, vLLM. Гарантируем качество через мониторинг latency p99 и accuracy на ваших данных. Сертифицированные специалисты по Claude, GPT-4 и Whisper. Работаем с любыми моделями: от open-source LLaMA до проприетарных API. Для дообучения используем LoRA и QLoRA на ваших данных. Всегда предлагаем оптимальный баланс скорости и точности.

Для поиска по мультимодальным данным используем RAG-архитектуру с векторными БД (ChromaDB, Qdrant). Это позволяет быстро находить релевантную информацию в больших архивах документов, изображений и аудиозаписей, повышая точность ответов на запросы.

Сроки ориентировочно

Стоимость рассчитывается индивидуально — зависит от числа моделей, необходимости дообучения и инфраструктуры. Свяжитесь с нами для точной оценки.

Что входит в работу

• Исходный код pipeline с документацией.
• Модели и веса (если используется fine-tuning).
• Интеграция с вашими системами (API, очереди).
• Дашборд мониторинга (метрики: latency, accuracy, throughput).
• Обучение вашей команды (2 часа).
• Поддержка 1 месяц после деплоя.

Сравнение моделей для vision-задач

По нашим тестам, Claude Sonnet 4.5 на 30% быстрее GPT-4o при парсинге таблиц и даёт на 2% меньше ошибок. Однако для длинных видео с большим контекстом Gemini 1.5 Pro эффективнее.

Чтобы подобрать оптимальное решение для ваших данных, свяжитесь с нашим инженером. Получите консультацию в течение дня. Пишите — сделаем мультимодальный пайплайн под вашу задачу.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.