AI-извлечение данных из договоров: система для юристов

Юристы тратят часы на ручной разбор договоров: OCR путает «ИНН» с «ИНК», сроки прописаны прописью, а таблицы с суммами разбросаны по 50 страницам. Мы создали AI-систему на базе LLM (GPT-4o, Claude 3.5), которая извлекает структурированные данные за секунды. Более 30 проектов по юридической обработке документов позволили отточить промпты и валидаторы до точности 95%+ на стандартных полях. Наш подход использует гибридную архитектуру: детерминированные алгоритмы для реквизитов (стороны, даты, номера) и LLM для семантического анализа предмета и нестандартных условий. Это позволяет обрабатывать даже сканы с ошибками распознавания — мы компенсируем их через контекстные подсказки и валидацию по внешним реестрам.

Для повышения точности на редких шаблонах применяем fine-tuning LoRA на ваших данных. Это снижает количество галлюцинаций (hallucination) на 30% по сравнению с zero-shot подходом. Context window в 128K токенов покрывает до 50 страниц текста — этого достаточно для большинства договоров.

Почему валидация данных критична?

ИНН: валидация через контрольную цифру, ОГРН — checksum validation. Суммы в цифрах и словах должны совпадать. Дата начала не может быть позже даты окончания. Названия сторон сверяем с реестром ФНС по ИНН. Поля с низкой уверенностью помечаются для ручной проверки. Ручной ввод даёт точность около 85%, наша система — 95%+ при качественном скане. Дополнительно используем RAG (Retrieval-Augmented Generation) для поиска релевантных условий в длинных документах — это снижает нагрузку на LLM и повышает точность извлечения предмета договора.

Как мы обрабатываем длинные договоры?

Договоры на 30–50 страниц не помещаются в контекстное окно. Стратегия:

• Детерминированное извлечение реквизитов из преамбулы (стороны, номер, дата) — regex
• LLM для предмета договора и нестандартных условий — только релевантные секции
• Отдельный промпт для финансовых условий (ищем в секции «Цена и порядок оплаты»)
• Chunking с перекрытием для обработки больших объёмов и последующая агрегация результатов

Сравнение подходов к извлечению

AI-извлечение в 30 раз быстрее ручного ввода и даёт на 10% больше точности по стандартным полям. Для компании с потоком 500 договоров в месяц экономия времени достигает 150 часов, что соответствует сокращению затрат на 1-2 сотрудников.

Точность извлечения по типам полей

Что такое RAG и зачем он нужен?

RAG (Retrieval-Augmented Generation) позволяет обращаться к внешней базе знаний при генерации ответа. В нашем pipeline это означает: сначала из договора извлекаются релевантные секции с помощью vector search (embeddings 1536-dim), затем LLM формирует ответ только на их основе. Это уменьшает контекст, снижает latency p99 и исключает галлюцинации на нерелевантных данных.

Процесс работы

1. Анализ — изучаем ваши договоры (типовые и исключения), определяем поля для извлечения.
2. Проектирование — выбираем стек (LLM, методы парсинга, валидация).
3. Реализация — пишем pipeline, тестируем на выборке 50+ документов.
4. Интеграция — подключаем к CRM/ERP через REST API или Webhook.
5. Деплой — запускаем в вашем контуре (on-premise или облако).

Что входит в работу

• Модель — настроенный промпт под ваш тип договоров.
• Валидаторы — контрольные суммы ИНН/ОГРН, сверка с ФНС, логические проверки.
• API — документация, эндпоинты, примеры запросов.
• Обучение — инструктаж ваших юристов (1 час).
• Гарантия — 3 месяца поддержки после внедрения.

Сроки и как начать

Оценим ваш проект за 1–2 дня — просто свяжитесь с нами. Базовое внедрение занимает от 5 рабочих дней, сложная кастомизация — до 3 недель. Стоимость рассчитывается индивидуально под объём документов и количество необходимых полей. Типичный проект окупается за 3–4 месяца за счёт сокращения ручного труда. Закажите консультацию для оценки ваших документов и получите демонстрацию системы на реальных примерах.

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.