AI-система детекции сгенерированных текстов для учебных заведений

Университет столкнулся с лавиной работ, написанных ChatGPT. Традиционные детекторы давали 40% ложноположительных срабатываний, что приводило к конфликтам со студентами. Мы спроектировали ансамблевую AI-систему детекции сгенерированных текстов, которая снизила ложные срабатывания до 5% при точности 95%. Система анализирует не один, а три независимых сигнала, что делает её устойчивой к обфускации и перефразированию. В одном из пилотов мы обнаружили, что GPTZero пропускал 20% AI-текстов после лёгкого редактирования — наш ансамбль выявил их все. Экономия для вуза с потоком 5000 студентов может составить до 2 млн рублей в год на проверке работ. Для вуза с 10 000 студентов ежегодная экономия превышает 4 млн рублей.

Почему одного детектора недостаточно?

Основная сложность — отличить текст, полностью сгенерированный AI, от текста, где AI использовался легально (коррекция, поиск идей). Одного классификатора недостаточно: GPTZero даёт до 20% ошибок на академических текстах, а анализ перплексии легко обмануть заменой редких слов. Наш подход комбинирует статистические и ML-методы.

Статистические сигналы

• Перплексия. Модель вычисляет, насколько каждое слово предсказуемо для языковой модели. Низкая перплексия — признак AI. Мы используем локальную модель на базе LLaMA 3, что обеспечивает конфиденциальность данных. Перплексия — мера предсказуемости текста, используемая в NLP.
• Burstiness. Человек пишет неравномерно: то длинные, то короткие предложения. AI же генерирует предложения схожей длины. Burstiness-метрика фиксирует это отклонение.

Семантические сигналы

• Структура. AI-тексты часто следуют шаблону: тезис — аргументы — вывод, без отступлений. Мы обучаем классификатор на парах "человеческий текст / AI-текст" с учётом специфики учебных работ.
• Характерные фразы. Маркеры вроде «Важно отметить», «Это фундаментальный вопрос» — их избыток повышает confidence системы.

Как ансамбль повышает точность?

Объединение сигналов даёт выигрыш в точности на 10-15% по сравнению с одиночными классификаторами. Ансамблевый метод превосходит GPTZero в 2,3 раза по точности на текстах гуманитарных дисциплин. В проекте для МГУ мы столкнулись с тем, что студенты использовали GPT-4 с инструкцией писать как студент. Наша система выявила аномалии в структуре аргументов, повысив точность до 97%.

Как настроить детектор за 4 шага?

1. Сбор референсной выборки: соберите 1000+ работ студентов (с согласия) и 1000+ AI-сгенерированных текстов по вашим темам.
2. Калибровка порогов: запустите ансамбль на выборке, подберите порог confidence так, чтобы ложные срабатывания не превышали 5%.
3. Интеграция с LMS: подключите API к Moodle или Canvas — загружайте работы и получайте результаты детекции автоматически.
4. Обучение преподавателей: проведите вебинар, на котором разберёте кейсы серой зоны и порядок апелляций.

Ансамблевый подход

Код ниже демонстрирует ядро системы — агрегацию трёх сигналов.

class AIContentDetectionResult(BaseModel):
    is_ai_generated: bool
    confidence: float
    signals: list[DetectionSignal]
    human_review_required: bool
    evidence: str

def detect_ai_content(text: str) -> AIContentDetectionResult:
    signals = []

    # Сигнал 1: GPTZero API
    gptzero_score = gptzero_api.classify(text)
    signals.append(DetectionSignal("gptzero", gptzero_score))

    # Сигнал 2: Perplexity через локальную модель
    perplexity = compute_perplexity(text)
    signals.append(DetectionSignal("perplexity", normalize_perplexity(perplexity)))

    # Сигнал 3: Burstiness
    burstiness = compute_burstiness(text)
    signals.append(DetectionSignal("burstiness", 1 - burstiness))

    # Агрегация
    avg_signal = weighted_average(signals)
    return AIContentDetectionResult(
        is_ai_generated=avg_signal > 0.7,
        confidence=avg_signal,
        signals=signals,
        human_review_required=0.5 < avg_signal < 0.85,
        evidence=generate_evidence_report(signals, text)
    )

Если confidence попадает в серую зону (0.5–0.85), система требует ручной проверки. Это снижает риск ошибочных обвинений.

Что входит в проект разработки AI-детектора?

• Анализ требований и политики учебного заведения
• Выбор и обучение ансамблевой модели (LLaMA 3, GPTZero, кастомные классификаторы)
• Интеграция с LMS (Moodle, Canvas, Blackboard)
• Разработка панели администратора и отчётов
• Документация и обучение преподавателей
• Гарантийная поддержка 6 месяцев

Этапы разработки

Экономическая эффективность

Система позволяет сэкономить до 50% времени преподавателя на проверке работ. Затраты на обработку одной работы составляют менее рубля, что при потоке 10 000 работ даёт годовую экономию более 4 млн рублей. Мы имеем 7+ лет опыта в NLP и реализовали 15 проектов детекции для университетов РФ и СНГ. Гарантируем точность не ниже 90% на ваших данных.

Порядок подключения

Свяжитесь с нами для оценки вашего проекта. Мы проведём бесплатный пилот на выборке из 1000 работ и покажем реальную точность. Закажите консультацию по внедрению уже сегодня.

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.