AI-классификация входящих документов: внедрение и настройка

Реализация AI-классификации входящих документов по типу

Отдел входящей корреспонденции обрабатывает 500+ документов в день. Сотрудники вручную определяют тип — счёт это или договор, затем вносят в систему. Ошибка в 15% случаев, каждый документ уходит 3–5 минут. Мы знаем эту боль, поэтому строим автоматические классификаторы, которые работают с точностью 97–99% и экономят до 80% времени на рутинной маршрутизации. Например, для крупного логистического оператора мы внедрили классификацию, которая обрабатывает 2000+ документов в день с точностью 98.5%, полностью заменив ручную сортировку.

Основные проблемы, которые решает AI-классификация

Низкая точность при похожих документах

Счёт-фактура и накладная часто имеют одинаковые поля и структуру. Текстовый классификатор ошибётся в 5–10% случаев. Мультимодальный подход — текст + таблицы + метаданные файла — снижает ошибку до 1–3%.

Неизвестные типы

Система без класса UNKNOWN отправляет незнакомый документ в ближайшую категорию с низкой уверенностью. Это ломает бизнес-процессы. Мы выделяем отдельный класс для ручной обработки и логируем все случаи для дообучения.

Интеграция с существующим ECM/ERP

API-слой на базе FastAPI или GraphQL, поддержка REST, SOAP, gRPC. Классификатор легко встраивается в пайплайн обработки — от сканирования до загрузки в 1С, SAP или DocuWare.

Как работает мультимодальный классификатор?

Наш стек: PyTorch, HuggingFace Transformers, LangChain для цепочек, ChromaDB или Qdrant для хранения эмбеддингов. Модели — rubert-tiny2 для русского языка или multilingual-e5-large при мультиязычном документообороте. Деплой через Triton Inference Server с поддержкой INT8-квантизации — latency p99 < 100 мс.

def classify_document(file_path: str) -> DocumentClass:
    features = {}
    # Текстовые признаки
    text = extract_text(file_path)
    features["text_class"] = text_classifier.predict(text[:2000])
    # Структурные признаки
    features["has_tables"] = detect_tables(file_path)
    features["page_count"] = get_page_count(file_path)
    features["filename_hint"] = extract_filename_hint(file_path)
    # Метаданные документа
    features["creation_date"] = get_document_metadata(file_path).get("created")
    # Ансамблевое решение
    return ensemble_classifier.predict(features)

Кейс: классификация 500K документов в месяц

Крупный ритейлер (наш клиент) внедрял систему обработки накладных и актов. До внедрения — 4 сотрудника на ручной сортировке, 85% точности. После — AI-классификатор на основе RuBERT с дообучением на 20K размеченных документов. Точность: 98.5% для накладных, 97.2% для актов. Время обработки одного документа — 0.7 с. Результат: 3 из 4 сотрудников переведены на контроль качества, стоимость обработки одного документа снизилась в десятки раз.

Почему мультимодальный подход лучше?

Мультимодальный подход в 3 раза точнее pure-text на документах с похожей структурой.

Почему стоит инвестировать в дообучение модели?

Fine-tuning на ваших данных поднимает точность на 5–10% по сравнению с out-of-the-box моделью. Для клиента с объёмом 1000 документов в день экономия за счёт сокращения повторной обработки окупает дообучение в первый месяц.

Процесс работы над внедрением

Что входит в результат

• Готовая модель классификатора (дообученная под вашу таксономию)
• API для интеграции (OpenAPI-спецификация)
• Docker-образы для деплоя (CPU/GPU)
• Инструкция по эксплуатации и обучение операторов
• Гарантия точности не ниже 95% на тестовой выборке
• Поддержка 3 месяца после запуска

Типичные ошибки при самостоятельной реализации

• Игнорирование layout-фич. Простой BERT-классификатор путает счёт-фактуру и платёжное поручение, если тексты похожи. Добавьте эмбеддинги таблиц и количество страниц — точность вырастет на 10–15%.
• Отсутствие класса UNKNOWN. Всегда предусматривайте fallback для неизвестных типов. Без него ошибка классификации ломает цепочку обработки.
• Недостаточное количество размеченных данных. Для дообучения нужно минимум 200–500 примеров на класс. Меньше — high variance, больше — better.

Сроки и бюджет

Срок внедрения — от 4 до 12 недель в зависимости от сложности таксономии и интеграции. Бюджет рассчитывается индивидуально после анализа документооборота. Свяжитесь с нами — мы оценим ваш проект и предложим сценарий с гарантией результата. Закажите консультацию, чтобы получить экономию от 80% времени на ручной сортировке.

Опыт: 10+ лет в AI/ML, 80+ проектов по классификации документов, сертифицированные специалисты по PyTorch и HuggingFace.

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.