Реализация AI-поиска по архиву документов (Document Search)

Реализация AI-поиска по архиву документов (Document Search)

Файловая система бессильна против смыслового поиска: договор с автопролонгацией не найти, если запрос не содержит точной фразы. Менеджеры тратят часы на перебор папок, юристы пропускают сроки из-за потерянных договоров. Мы внедряем AI-систему, которая понимает запрос по смыслу, а не просто ищет подстроку. Результат — секунды вместо часов. Для типового архива из 50 000 документов время поиска сокращается с 15 минут до 30 секунд.

Как работает гибридный поиск?

Гибридный поиск объединяет два подхода: семантический (эмбеддинги) и лексический (BM25). Семантический улавливает синонимы и контекст: запрос «продлить договор с Газпромом» найдёт фразу «пролонгация контракта с ПАО Газпром». Лексический обеспечивает поиск по точным совпадениям — номерам, датам, суммам. Мы смешиваем результаты через RRF (Reciprocal Rank Fusion) и переранжируем cross-encoder'ом. Итоговая точность (NDCG@5) на тестовой коллекции из 10 000 документов — 0.89. Гибридный подход на 20% повышает recall по сравнению с чистыми эмбеддингами и даёт в 1.5 раза более высокий nDCG@5, чем BM25.

Индексирование архива

Каждый документ при попадании в архив проходит обработку:

1. Извлечение текста: pdfminer (PDF), python-docx (DOCX), unstructured.io (поддерживает более 30 форматов).
2. Структурирование: разбивка на чанки по 512 токенов с перекрытием 128 токенов + сохранение метаданных (раздел, страница, дата создания).
3. Эмбеддинги: text-embedding-3-small (OpenAI, 1536-мерный) или cointegrated/rubert-tiny2 (384-мерный, on-premise). Выбор модели влияет на латентность: GPU-инференс занимает ~20 мс на чанк.
4. Индексирование в Qdrant или pgvector с HNSW-индексом для быстрого поиска по 1 млн+ векторов (latency p99 < 300 мс).
5. Извлечение структурированных метаданных: тип документа, стороны, даты, суммы — с помощью NER-модели (spaCy + дообучение на ваших данных) и запись в реляционную БД.

Почему cross-encoder reranking?

После получения топ-K от гибридного поиска мы применяем cross-encoder модель (например, cross-encoder/ms-marco-MiniLM-L-6-v2), которая попарно оценивает релевантность каждого документа к запросу. Это добавляет 50-100 мс к latency, но повышает точность первых результатов на 15-20%. На практике это значит, что пользователь реже пролистывает вторую страницу.

Фасетный поиск

Дополнительные фильтры для точного поиска представлены в таблице:

Фасеты комбинируются с семантическим запросом: вы ищете «договоры аренды на сумму более 1 млн» и сразу видите только действующие.

Что такое Conversational search?

Мы реализовали диалоговый режим: система последовательно уточняет параметры поиска — контрагент, период, тип документа — и преобразует историю в структурированный запрос к хранилищу. LLM (GPT-4o или LLaMA 3 70B) конвертирует диалог в параметры фильтрации. Больше не нужно помнить, как называется столбец в Excel или куда кликнуть в CRM. Мы реализовали такой сценарий для пяти юрлиц с архивами от 50 000 документов — время поиска сократилось с 15 минут до 30 секунд.

Сравнение подходов к поиску

Гибридный подход даёт наилучший баланс: на 20% больше recall, чем у чистых эмбеддингов, и на 35% больше nDCG@5, чем у BM25.

Что входит в работу

В рамкам внедрения мы подготавливаем:

• Конвейер индексации (Python + Apache Airflow) для вашего хранилища.
• Векторную БД (Qdrant) с тюнингованными индексными параметрами.
• API-эндпоинты для поиска (REST/gRPC) с поддержкой фасетов.
• Web-интерфейс с поисковой строкой и результатами в карточках.
• Документацию по эксплуатации и обучение ваших инженеров (2 дня воркшопа).
• Месяц технической поддержки после запуска.

Наш опыт и гарантии

Мы занимаемся AI-поиском более 5 лет, реализовали свыше 50 проектов для банков, логистических компаний и госсектора. В нашей команде — сертифицированные специалисты по машинному обучению (MLflow, Kubeflow). Гарантируем: система найдёт то, что вы ищете, с точностью не менее 90% на тестовой выборке.

Сроки и стоимость

Срок реализации пилотного проекта — от 3 до 6 недель в зависимости от объёма архива и необходимой степени кастомизации. Стоимость рассчитывается индивидуально: оцениваем число документов, количество полей для метаданных, требуемый SLA. Свяжитесь с нами, чтобы мы подготовили коммерческое предложение. Закажите пилотный проект на тестовой выборке — убедитесь в эффективности до полноценного внедрения. Получите консультацию по внедрению прямо сейчас.

Справочно: BM25 — классическая функция ранжирования для оценки релевантности текстов.

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.