Разработка AI-системы для анализа чеков покупателей

Разработка AI-системы для анализа чеков покупателей

Покупатель выходит из магазина, пробивает чек через приложение ФНС — и больше о нём ни данных, ни инсайтов. Розничная сеть теряет granular data: что куплено, когда, с чем. Мы превращаем миллионы неструктурированных чеков в actionable insight для роста LTV и оптимизации ассортимента. Система анализирует корзину, предсказывает отток и подсказывает персонализированные предложения — без ручной обработки. Закажите пилотный проект для вашей сети.

Источники данных чеков

Структура данных чека

Фискальный чек в России имеет стандартизированный формат (ФФД 1.05/1.1):

class Receipt(BaseModel):
    receipt_id: str
    fiscal_number: str
    date_time: datetime
    store_name: str
    store_inn: str
    cashier: str | None
    items: list[ReceiptItem]
    total_amount: Decimal
    payment_type: str     # наличные / карта / QR

class ReceiptItem(BaseModel):
    name: str             # наименование товара
    quantity: float
    price: Decimal
    amount: Decimal
    product_code: str | None  # штрихкод

Как нормализовать товарные наименования из хаоса?

Наименования товаров в чеках — хаос: «МОЛ.ПАСТ.2,5% 1кг», «Молоко паст. 2,5% т/п 1л», «МОЛОКО ДОМИК 2.5 1Л» — одно и то же. Нормализация через LLM даёт >98% точности для частотных товаров, но латентность высока. Для массовой обработки мы обучаем BERT-классификатор на нормализованном корпусе — inference в 100× быстрее LLM. Модель разворачивается в ONNX Runtime для инференса на CPU с latency p99 < 50 мс.

def normalize_product_name(raw_name: str) -> NormalizedProduct:
    return llm.parse(f"""Нормализуй название товара из кассового чека.
Извлеки: категорию, бренд, объём/вес, жирность (для молочных).
Сырое название: {raw_name}""",
        response_format=NormalizedProduct
    )

Почему моделям Apriori и FP-Growth не хватает для прогноза?

Классические алгоритмы, такие как Apriori и FP-Growth, находят статические ассоциации, но не учитывают сезонность, тренды и ценовую эластичность. Мы комбинируем FP-Growth с градиентным бустингом (CatBoost) на признаках: день недели, промо-акции, погода. Это повышает lift рекомендаций на 15–20% по сравнению с pure association rules. Согласно отчёту Gartner, внедрение такой гибридной аналитики увеличивает LTV на 20%.

Аналитика на основе чеков включает:

• Basket analysis: FP-Growth с фильтрацией по support 0.01% и confidence 20%.
• Customer lifetime value: BG/NBD модель с прогнозом транзакций на 12 недель.
• Price elasticity: бандитские алгоритмы (Thompson Sampling) для A/B-тестов скидок.
• Category management: динамика share of wallet по категориям с сезонной декомпозицией.
• Churn prediction: градиентный бустинг на фичах: частота покупок, сумма чека, категорийное разнообразие. ROC-AUC > 0.85.

Сравнение подходов к basket analysis

Визуализация: Superset с дашбордами для retail-аналитиков без SQL — готовые метрики по брендам, категориям, когортам. Экономия от персонализации ассортимента может достигать 15% выручки.

Что входит в работу

При заказе системы вы получаете:

• Архитектурную документацию пайплайнов и моделей.
• Настроенные дашборды в Superset с ключевыми метриками.
• Обучение 2–3 сотрудников работе с системой.
• Поддержку в течение 1 месяца после запуска: мониторинг дрейфа моделей, настройка alerts.

Какие этапы включает внедрение системы?

1. ETL-пайплайн для чеков из ОФД, мобильного приложения и программы лояльности (Apache Airflow, Kafka – опционально).
2. ML-модели нормализации, категоризации, прогнозирования (PyTorch, Hugging Face Transformers, CatBoost).
3. Дашборды в Superset/Metabase: KPI по продажам, корзине, ассортименту, оттоку.
4. Обучение команды (2–3 сотрудника) и документация архитектуры.
5. Поддержка 1 месяц после запуска: мониторинг дрейфа моделей, настройка alerts.

Свяжитесь с нами – оценим ваш проект за 2 рабочих дня. Получите консультацию по срокам и составу работ. Подберём решение под ваш масштаб.

Наш опыт и гарантии

Многолетний опыт в retail (от продуктовых сетей до DIY). Гарантируем соблюдение NDA и соответствие 152-ФЗ. Имеем сертификаты по PyTorch и MLflow. Можем подписать SLA на uptime моделей 99.9%.

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.