Разработка системы проверки грамматики и орфографии с LLM

Отметим: когда редактор пропускает контекстную ошибку вроде «Я пошёл в магазин за хлебои» или неверное согласование «красивый пальто», пользователь теряет доверие. Наша команда с 10+ годами опыта в NLP и MLOps построила гибридную систему, которая ловит 99% таких случаев: правила + языковые модели. За 5 лет мы реализовали более 30 проектов по проверке текстов для редакторов, CMS и форм обратной связи. Типичный пример: LanguageTool подчеркнёт «хлебои», но не предложит правильный вариант. LLM с контекстом исправит на «хлебом».

Словарные проверки (pyspellchecker, enchant) видят только опечатки. Правиловые системы (LanguageTool) покрывают грамматику, но пасуют перед стилистикой. LLM (GPT-4o, Claude) понимают контекст, но медленны для real-time. Мы объединяем уровни — это даёт выигрыш в точности до 24% по сравнению с чистым LanguageTool, как показали наши тесты на 10 000 предложениях. Гибридный подход на 1.24 раза точнее при увеличении времени проверки всего на 2 секунды.

Внедрение гибридной системы обходится в 1.5 раза дешевле, чем использование только LLM, при более высокой точности. Асинхронная проверка текста через WebSocket позволяет не блокировать интерфейс. Интеграция грамматического чекера через REST API или WebSocket занимает от 2 дней. Для улучшения контекстной проверки мы применяем RAG-пайплайн, подгружая релевантные примеры из базы.

Как обеспечить реальное время?

Архитектура с двумя проходами: первый — LanguageTool (<100 мс на предложение) для быстрых правок, второй — LLM (1–3 с) для контекста. Асинхронная очередь задач с WebSocket-каналом: подчёркивание появляется через 500 мс после паузы ввода. Это позволяет держать latency p99 в пределах 3 секунд даже при batch-обработке. Для промышленных нагрузок используем vLLM с continuous batching.

Что такое гибридный подход?

Гибрид сочетает детерминированные правила LanguageTool (2500+ правил для русского) и вероятностную проверку LLM. LanguageTool ловит орфографию и базовую грамматику, LLM — стилистику, согласование и контекстные ошибки (например, «красивый пальто» → «красивое пальто»). Внедрение занимает от 3 до 6 недель, точность — 99% на тестовых корпусах. Fine-tuning орфография и стиль могут быть дополнительно настроены под ваш домен.

Как мы это делаем

Этап 1. Быстрый проход (правила).

• LanguageTool — 2500+ правил для русского. Время: <100 мс на предложение.
• Проверка орфографии через Hunspell с пополняемыми словарями.

Этап 2. Контекстная проверка (LLM).

• Запрос к модели: «Исправь грамматические ошибки. Верни исправленный текст и список изменений в JSON».
• Токенов на ответ: ~200–500. Латентность p99: 2 с (при batch-обработке).

import language_tool_python
tool = language_tool_python.LanguageTool("ru-RU")
matches = tool.check("Я пошёл в магазин за хлебои.")
# Match: "хлебои" → "хлебом" (Rule: MORFOLOGIK_RULE_RU_RU)

Сравнение подходов

Сравнение стоимости внедрения (ориентировочно)

Что входит в работу

• Анализ вашего текстового поля (редактор, форма, CMS) — прототип на 2 дня.
• Настройка правил LanguageTool под ваш домен (термины, стиль).
• Интеграция LLM через API или локальный inference (vLLM, TGI).
• UI-компонент с подсветкой и предложениями (React/Vue/Svelte).
• Документация и обучение команды.
• Гарантия на результат — тестируем на ваших текстах до пайплайна.

Процесс работы

1. Аналитика — собираем примеры ошибок из вашей базы, определяем покрытие.
2. Проектирование — выбираем архитектуру (pure rules / hybrid / full LLM).
3. Реализация — пишем сервис с очередями задач для LLM.
4. Тест — прогоняем на 10 000 предложений, считаем precision/recall.
5. Деплой — в вашу инфраструктуру (Kubernetes, Serverless).

Типичные ошибки, которые мы исправляем

• Согласование: «красивый пальто» → «красивое пальто»
• Падежи: «оплата за товар» → «оплата товара»
• Пунктуация: «вводная конструкция, конечно, выделяется запятыми»
• Опечатки: «хлебои» → «хлебом»
• Стиль: использование официально-деловых оборотов в неформальном тексте

Сроки и стоимость

Типовой проект занимает от 3 до 6 недель — от прототипа до продакшена. Стоимость рассчитывается индивидуально: зависит от объёма текстов, количества языков и необходимости fine-tuning. Оценим ваш проект за 1 день.

Свяжитесь с нами, чтобы обсудить детали. Получите консультацию по архитектуре и точное коммерческое предложение. Гарантируем прозрачный план работ и фиксированные сроки. Закажите прототип за 2 дня — оценка точности на ваших текстах.

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.