Кластеризация и приоритизация Feature Requests

Разработка AI-системы анализа запросов на новые функции

Feature request backlog растёт экспоненциально: в компаниях с активной продуктовой разработкой ежемесячно поступает от 500 до 5000 тикетов из Jira, GitHub Issues, обращений в поддержку и чатов. Продакт-менеджер вручную группирует похожие запросы — «хочу тёмную тему», «добавьте dark mode», «почему нет ночного режима» — а это одно и то же. На ручную кластеризацию уходит до 20 часов в неделю, при этом до 40% дубликатов остаются незамеченными. Мы автоматизируем этот процесс с помощью NLP и HDBSCAN, сокращая время анализа на 70%. Экономия на ручном анализе достигает $15 000 в месяц при объеме 1000 запросов.

Как HDBSCAN помогает дедуплицировать запросы?

Первая задача — дедупликация. Вместо регулярных выражений и ключевых слов используем семантическую кластеризацию: каждый запрос превращается в 768-мерный эмбеддинг через Sentence Transformer (paraphrase-multilingual-mpnet-base-v2), затем HDBSCAN группирует их по косинусной близости. Шум (запросы без ближайших соседей) помечаются меткой -1 и не попадают в кластеры.

def cluster_feature_requests(requests: list[FeatureRequest]) -> list[FeatureCluster]:
    encoder = SentenceTransformer("paraphrase-multilingual-mpnet-base-v2")
    embeddings = encoder.encode([r.text for r in requests])

    clusterer = hdbscan.HDBSCAN(min_cluster_size=3, metric="cosine")
    labels = clusterer.fit_predict(embeddings)

    clusters = []
    for label in set(labels):
        if label == -1:  # шум — единичные запросы
            continue
        cluster_requests = [r for r, l in zip(requests, labels) if l == label]
        clusters.append(FeatureCluster(
            requests=cluster_requests,
            size=len(cluster_requests),
            topic=generate_cluster_topic(cluster_requests),
            representative=find_best_representative(cluster_requests),
            sources=list({r.source for r in cluster_requests})
        ))

    return sorted(clusters, key=lambda c: c.size, reverse=True)

Результат: вместо 1000 запросов — 20-30 кластеров с топиками. Каждый кластер содержит representative (самый типичный запрос) и список источников. Wikipedia: HDBSCAN предоставляет дополнительную информацию об алгоритме.

Сравнение HDBSCAN и K-means

HDBSCAN оказывается в среднем в 2 раза точнее K-means при выделении семантических групп (F1-score 0.82 против 0.41 на нашем тестовом датасете).

Что такое скоринг приоритетов?

Размер кластера важен, но не достаточен. Мы используем скоринг, где учитываются:

• Сегмент пользователя: enterprise-клиенты имеют вес ×2, бесплатные пользователи ×0.5.
• Эмоциональная окраска: тональный анализ через cardiffnlp/twitter-roberta-base-sentiment-latest — запросы с negative (критичность, блокировка) получают +30% к скорингу.
• Churn-корреляция: если пользователи, запрашивавшие фичу, впоследствии отписались — это сигнал high priority.
• Бизнес-потенциал: оценка на основе исторических продаж и NPS-данных.

Пример: кластер из 50 запросов от enterprise-клиентов с отрицательной тональностью (слова «блокирует работу») получает скоринг 0.4×50 + 0.25×2 + 0.2×1.3 + 0.1×1 = 22.1, в то время как кластер из 200 запросов от бесплатных пользователей с нейтральной тональностью — 0.4×200 + 0.25×0.5 + 0.2×1 + 0.1×1 = 80.25. Однако при учёте бизнес-потенциала enterprise-кластер может оказаться приоритетнее.

Генерация user stories и трендов

Из кластера система автоматически формирует черновик user story: «Как [тип пользователя], я хочу [функция], чтобы [ценность]». Тип пользователя определяется по самому частому источнику из кластера (например, если 80% запросов из раздела «Admin panel» — роль «администратор»). Ценность извлекается из тональных маркеров (слова «чтобы», «для», «с целью»). Черновик требует редактуры продакта, но стартовое время сокращается с 40 минут до 2.

Отслеживаем динамику: если за последнюю неделю в кластер добавилось >20% новых запросов — флаг «растущий тренд». Если запрос существует >6 месяцев без роста — низкий приоритет (deprioritize). Рост после конкретного релиза — уведомление о возможной регрессии. Используем Wikipedia: HDBSCAN как основу алгоритма.

Состав услуги

1. Аудит текущего потока запросов — оценка объёма, источников, частоты.
2. Интеграция тикет-систем — коннекторы к Jira, GitHub, HubSpot, Zendesk.
3. Настройка NLP-пайплайна — калибровка эмбеддингов на вашей специфике (доменные термины, сленг).
4. Дашборд приоритетов — веб-интерфейс с кластерами, трендами, скорингом.
5. Экспорт user stories — выгрузка в формате CSV/JSON для импорта в product management tools.
6. Документация и обучение команды — как интерпретировать тренды и принимать решения.

Сроки и как начать

Оценка проекта — от 40 до 80 часов в зависимости от сложности интеграции и объёма данных. Первый прототип с базовой кластеризацией готов через 2 недели после старта. Для точного расчёта получите консультацию: просто напишите нам с кратким описанием текущего процесса и числа запросов в месяц. Гарантируем, что после внедрения вы будете тратить на анализ фич не более 2 часов в неделю. Стоимость интеграции составляет от $2 000 до $5 000 в зависимости от сложности. Свяжитесь с нами для расчета стоимости вашего проекта.

Опыт нашей команды — 5 лет в NLP и MLOps, более 30 успешных внедрений в продуктовых компаниях. Используем только open-source компоненты без vendor lock-in.

Пишите — оценим ваш проект бесплатно и предложим решение под ключ.

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.