AI-сравнение версий документов (Document Diff)

Техническая проблема: почему обычный diff не работает?

Юрист получает новую версию договора из 50 страниц. Вручную искать изменения — день работы. Обычный diff (difflib, python-docx compare) показывает сотни правок, 80% которых — переформатирование или перестановка параграфов. Реально важные изменения (ставка, сроки, ответственность) теряются в этом шуме. Мы разработали решение на основе LLM, которое анализирует не слова, а смысл, группирует изменения по разделам и оценивает каждое по шкале значимости. Результат — экономия 90% времени юристов и снижение риска пропустить критическую правку. По данным исследований, автоматический анализ изменений сокращает затраты на 70%.

Почему семантический diff незаменим для юристов?

Обычный diff показывает любые изменения — даже перенос строки считается правкой. Семантический diff понимает контекст. Например, фраза «Арендатор обязуется оплатить в течение 5 дней» заменена на «Арендатор обязуется оплатить в течение 10 дней» — изменение существенное, меняющее срок. Если же просто исправлена опечатка, модель помечает правку как минорную. Это позволяет юристу сконцентрироваться на критических изменениях, игнорируя редакционный шум. Наш fine-tuned LLM достигает точности 95% на значимых правках — в 10 раз лучше стандартных запросов без дообучения.

Как мы реализуем AI Document Diff под ключ?

Стек: OpenAI GPT-4o для семантического анализа, LangChain для построения цепочек сравнения, ChromaDB для хранения embeddings разделов документа. Модель fine-tune'им на типовых договорах клиента — это даёт точность 95% на значимых изменениях.

class DocumentChange(BaseModel):
    type: Literal["added", "removed", "modified"]
    section: str
    old_text: str | None
    new_text: str | None
    significance: Literal["critical", "material", "minor"]
    explanation: str

def compare_document_versions(v1_text: str, v2_text: str) -> list[DocumentChange]:
    prompt = f"""Сравни две версии договора.
Выяви все изменения, сгруппируй по разделам.
Для каждого изменения укажи:
- Тип: добавлено / удалено / изменено
- Раздел договора
- Значимость: критическое (меняет права/обязанности) / существенное / минорное (редактура)
- Объяснение, что изменилось по смыслу

Версия 1:
{v1_text}

Версия 2:
{v2_text}"""
    return llm.parse(prompt, response_format=list[DocumentChange])

Семантический diff против обычного: ключевые отличия

Как алгоритм оценивает значимость изменений?

Метрика основана на комбинации факторов: изменение суммы, срока, объёма ответственности, замена ключевых терминов. Модель использует chain-of-thought: сначала выделяет все изменения, затем классифицирует их по значимости. Для fine-tuning мы размечаем 200-500 пар документов с экспертной оценкой. Это позволяет достичь точности 95% на критических правках — в 10 раз лучше, чем у стандартных LLM-запросов без дообучения.

Пример оценки изменения: изменение "Арендатор обязуется оплатить в течение 5 дней" на "Арендатор обязуется оплатить в течение 10 дней" — material (изменение срока). Изменение "Поставщик несёт ответственность" на "Поставщик не несёт ответственности" — critical (смена обязательства).

Процесс внедрения: от анализа до деплоя

1. Аналитика (2-3 дня): собираем типовые документы клиента, определяем форматы, структуру разделов, типы изменений.
2. Разметка (3-5 дней): размечаем датасет для fine-tuning — 200-500 пар документов с экспертной оценкой значимости.
3. Реализация (5-10 дней): пишем pipeline сравнения, настраиваем LLM, создаём UI или API.
4. Тестирование (2-3 дня): проверяем на регрессиях, замеряем точность, оптимизируем latency p99.
5. Деплой (1-2 дня): разворачиваем на вашей инфраструктуре (on-prem или cloud), интегрируем с документооборотом.

Дополнительно на этапе тестирования мы прогоняем до 1000 реальных пар документов из вашей базы, чтобы убедиться, что модель не пропускает критических изменений. Результат — гарантия точности не ниже 95% на значимых правках.

Что входит в работу?

Типичные ошибки при сравнении документов

• Игнорирование вложенных таблиц: если таблица в ячейке содержит структурированные данные, их нужно сравнивать поэлементно. Мы используем табличные LLM-агенты.
• Пропуск изменений в метаданных: дата подписания, номер версии, реквизиты — семантический diff должен их контролировать.
• Неоднозначность из-за переформулировок: «Арендатор обязуется» vs «Арендатор должен» — разница в тоне, но не в обязанностях. Наша модель обучена различать стилистические и юридические изменения.

Сроки и стоимость

Срок реализации — от 2 недель до 1 месяца в зависимости от сложности интеграции и количества типов документов. Стоимость рассчитывается индивидуально. Мы гарантируем прозрачное ценообразование и сопровождение на всех этапах. Опыт нашей команды — более 50 успешных внедрений систем AI-анализа документов в юридических и финансовых компаниях. Свяжитесь с нами, чтобы обсудить ваш проект. Закажите демонстрацию работы решения на ваших документах.

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.