Автоматическое извлечение Action Items из транскрипций встреч

Совещание на час, транскрипт на 12 страниц — и 20 минут на выписывание задач. Типичная история: в аудиозаписи упоминаются дедлайны, ответственные, но в Jira ничего не попадает. Ручной парсинг транскриптов отнимает время и порождает ошибки: пропущенные задачи, неверные сроки. Мы решаем это автоматическим извлечением Action Items с точностью выше 92% и сокращением ручного труда на 70%. Наши клиенты экономят в среднем 15 000–20 000 рублей в месяц, исключая ручную вычитку. Без двухэтапной классификации модели путают обсуждения и задачи — например, фраза «Нам нужно обсудить бюджет» не является задачей, а лишь темой. Наш подход строит надёжный пайплайн: сначала классификация фрагментов, затем структурирование только задач.

Как двухэтапный подход повышает точность извлечения Action Items?

Прямой промпт с инструкцией «найди все задачи» даёт много шума — модель включает обсуждения и вопросы как задачи. Например, фраза «Нам нужно обсудить бюджет» — это не Action Item, а тема. Лучший подход — двухэтапный:

1. Классификация фраз — модель по транскрипту размечает фрагменты как action_item, decision, question, discussion.
2. Структурирование — только фрагменты типа action_item обрабатываются для извлечения полей.

class ActionItem(BaseModel):
    task: str                    # описание задачи
    assignee: str | None         # имя исполнителя (если упомянут)
    deadline: str | None         # срок (если упомянут)
    context: str                 # оригинальная цитата из транскрипта
    confidence: float            # уверенность модели

Сравнение с прямым извлечением:

Почему двухэтапный подход лучше прямого извлечения?

Двухэтапный подход позволяет отделить собственно задачи от гипотетических обсуждений. Мы используем кастомные промпты с few-shot примерами и chain-of-thought для классификации. Для маппинга assignee — fuzzy matching на основе эмбеддингов. Это даёт устойчивость к синонимам и сокращениям имён. По данным исследований, двухэтапная классификация повышает точность на 30% по сравнению с прямым промптом.

Работа с неопределённостью

Транскрипты содержат условные обязательства: «Надо бы сделать», «Может, Иван займётся». Модель должна различать:

• Чёткое обязательство: «Пётр, сделайте к пятнице» → confidence 0.95
• Потенциальная задача: «Нам нужно разобраться с этим вопросом» → confidence 0.6, флаг для ревью

Action Items с confidence < 0.7 выносятся в отдельную секцию «Требуют уточнения».

Какие метрики качества мы гарантируем?

На этапе тестирования проводим A/B-сравнение на ваших данных. Целевые показатели: precision >90%, recall >85% после настройки порогов. Для каждого проекта фиксируем baseline и добиваемся улучшения не менее чем на 15% относительно прямого промпта. Опыт внедрения показывает, что двухэтапный подход стабильно даёт заявленную точность.

Обработка транскриптов с низким качеством

Для зашумлённых аудио применяем предобработку: удаление повторов, нормализацию шумов и сегментацию реплик. Если confidence всей задачи ниже 0.7, она отправляется на ручное ревью. Для low-quality аудио подключаем дополнительную модель ASR (например, Whisper large-v3). Это повышает точность распознавания и далее качество извлечения.

Настройка интеграции с трекером

Автоматическое создание задач в Jira / Linear / Asana / Trello через API после подтверждения пользователем (или автоматически для задач с confidence > 0.9). Assignee маппится на реальных пользователей через fuzzy matching по имени. Также предоставляем webhook для кастомной интеграции.

Процесс работы и сроки

1. Аналитика — изучаем структуру ваших встреч, типовые фразы и форматы задач.
2. Проектирование — выбираем архитектуру (LLM, векторная база, микросервисы).
3. Реализация — пишем пайплайн классификации и извлечения, настраиваем confidence thresholds.
4. Тестирование — A/B-тест на выборке, добиваемся precision >90%, recall >85%.
5. Деплой — запуск в вашей инфраструктуре (ONNX Runtime для снижения latency).

Сроки: от 5 до 10 рабочих дней на базовое внедрение. Для сложных случаев — индивидуально. Закажите тестовый прогон на ваших данных — это бесплатно. Получите консультацию инженера по настройке решения под вашу инфраструктуру. Оставьте заявку — и мы продемонстрируем результат на ваших реальных транскриптах.

Что входит в работу

• Анализ ваших транскриптов и настройка модели на предметной области
• Развёртывание сервиса (API или batch-обработка)
• Интеграция с трекером задач
• Тестирование на исторических данных
• Документация и обучение команды
• Поддержка в течение 2 недель после запуска

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.