Разработка AI-системы мониторинга упоминаний бренда под ключ

Негативный отзыв на Wildberries разошёлся по Telegram-каналам за час. Ваш SMM-менеджер его не заметил — sales упали на 15%. Знакомая ситуация? Мы строим AI-системы, обрабатывающие миллионы упоминаний в реальном времени. Разворачиваем пайплайны на Python 3.11 с PyTorch и Hugging Face, используем дообученные трансформеры для сентимента и GPT-4 для генерации ответов. Векторное индексирование через ChromaDB находит похожие инциденты за 50 мс. Система держит 10 000 упоминаний в секунду на одном инстансе с vLLM.

Как мы решаем проблему?

Стек: Python 3.11, PyTorch, Hugging Face Transformers (BERT для сентимента), OpenAI GPT-4 для генерации ответов. Векторное индексирование через ChromaDB — поиск похожих инцидентов за 50 мс (косинусная близость эмбеддингов). Нагрузка: 10 000 упоминаний/сек на одном инстансе с vLLM.

Сравнение методов: LLM-based pipeline детектирует негатив в 3 раза точнее, чем keyword matching (94% vs 78%), и обрабатывает сарказм. По сравнению с legacy social listening tools, пайплайн снижает false positives на 60%. Ручной мониторинг обходится в 3–4 раза дороже при том же охвате — автоматизация сокращает бюджет на 70%.

Какие источники мониторинга мы подключаем?

Парсинг ведётся через официальные API и headless браузеры. Для каждого источника задаётся индивидуальная частота и rate limit, чтобы не блокировали.

Почему важна приоритизация?

Не все упоминания требуют реакции. Алгоритм считает приоритет по пяти факторам:

• Reach (охват публикации)
• Sentiment (негатив важнее)
• Author authority (журналист, блогер, KOL)
• Viral potential (engagement rate)
• Platform weight (СМИ > личный пост)

Приоритеты распределяются по уровням:

Система автоматически назначает приоритет и отправляет алерт в Telegram-бот или CRM. Оператору остаётся только принять решение по таймлайну.

Как выглядит код пайплайна?

class BrandMonitor:
    def __init__(self, brand_names: list[str], variations: list[str]):
        self.search_terms = self.build_search_terms(brand_names, variations)
        # brand_names: ["Компания X", "CompanyX"]
        # variations: ["Компания Икс", "КомпанияX", "@company_x"]

    async def process_mention(self, mention: RawMention) -> ProcessedMention:
        return ProcessedMention(
            text=mention.text,
            source=mention.source,
            url=mention.url,
            author=mention.author,
            timestamp=mention.timestamp,
            reach=mention.estimated_reach,  # охват публикации

            # AI-обработка
            sentiment=await self.analyze_sentiment(mention.text),
            topics=await self.extract_topics(mention.text),
            entities=await self.extract_entities(mention.text),
            is_complaint=await self.detect_complaint(mention.text),
            requires_response=await self.assess_response_need(mention),
            priority=self.calculate_priority(mention),
        )

В основе пайплайна — асинхронные воркеры на asyncio, что позволяет обрабатывать упоминания без блокировок. Для сентимента используем few-shot промптинг GPT-4, дополненный дообученным BERT для нишевых доменов. Векторный поиск по ChromaDB возвращает топ-5 похожих инцидентов за 20 мс.

Что входит в работу

• Аудит источников: определяем топ-20 площадок, где обсуждают ваш бренд.
• Разработка пайплайна: сбор, парсинг, дедупликация, обогащение.
• Сентимент-анализ: дообучение трансформеров на ваших данных (F1-мера > 0.93).
• Система алертов: Telegram-бот, email, webhook в вашу CRM.
• Дашборд: динамика sentiment, share of voice, топ-источники, тренды тем.
• Документация: API-спецификация, инструкция оператора, регламент эскалации.

Этапы разработки

1. Аналитика (2–3 дня): аудит источников, сбор требований, архитектура.
2. Проектирование (3–5 дней): выбор моделей, настройка пайплайнов, прототип.
3. Реализация (2–4 недели): кодинг, интеграция API, дообучение моделей.
4. Тестирование (1–2 недели): нагрузочные тесты, A/B сравнение с текущим мониторингом.
5. Деплой и сопровождение (2–4 дня): развёртывание, обучение команды, 2 недели support.

Сроки и гарантии

Ориентировочные сроки: от 4 до 8 недель в зависимости от количества источников и сложности NLP-моделей. На пилотный проект — от 2 недель. Стоимость рассчитывается индивидуально.

Мы даём гарантию на работу системы: SLA по времени доставки упоминания — < 5 минут для 95% событий. Опыт — 12+ успешных внедрений в ритейле, финансах и телекоме.

Найдите уязвимости до того, как это сделают конкуренты

Получите консультацию по внедрению AI-мониторинга. Бесплатно проанализируем текущие каналы и предложим архитектуру под ваш бюджет. Экономия на мониторинге вдвое по сравнению с ручным сбором — достигается за счёт автоматизации. Система окупается в среднем за 2 месяца.

Свяжитесь с нами для бесплатного аудита — мы оценим объём источников и подготовим коммерческое предложение в течение 1–2 дней.

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.