Автоматическое извлечение фактов: LLM и NLP пайплайны

Каждый день компании обрабатывают тысячи документов: договоры, счета, отчёты, новости. Ручной поиск сущностей — сторон, сумм, сроков — занимает часы и даёт 70–80% точности. Типичная ошибка: пропуск даты или неправильная привязка контрагента — ведёт к штрафам и срыву сроков. Information extraction (IE) решает эту проблему: извлекает сущности, отношения и события с точностью до 95%. Извлечение фактов из текста перестаёт быть рутиной.

Мы автоматизируем полный цикл: от парсинга до нормализации. Используем LLM (GPT-4o, Claude, LLaMA 3) и классические NLP-пайплайны. Выбираем подход под задачу — или комбинируем. Гибридная архитектура позволяет достичь F1 до 95% при задержке менее 200 мс. Средняя экономия на ручной обработке — до 60% затрат или 500 человеко-часов в месяц.

Какие типичные ошибки допускают при извлечении данных?

При извлечении из договоров часто путают названия компаний из-за опечаток или сокращений — «ООО Ромашка» и «Ромашка ООО» считаются разными. Нормализация с помощью edit distance (Levenshtein) и synonym dictionaries решает проблему. Дубликаты сущностей — одна и та же информация встречается в разных документах с разными атрибутами. Используем entity linking через граф знаний. Наконец, неоднозначность контекста: слово «счёт» может быть банковским счётом или счётом на оплату. Disambiguation через LLM с few-shot примерами.

Почему LLM выигрывает у классических пайплайнов?

LLM со structured output (Pydantic, OpenAI function calling) справляются с извлечением без тонкой настройки. Пример:

from pydantic import BaseModel
from openai import OpenAI

class CompanyInfo(BaseModel):
    name: str
    revenue: float | None
    revenue_year: int | None
    ceo: str | None
    headquarters: str | None
    employees_count: int | None

client = OpenAI()
response = client.beta.chat.completions.parse(
    model="gpt-4o-mini",
    messages=[{
        "role": "user",
        "content": f"Извлеки информацию о компании из текста:\n{text}"
    }],
    response_format=CompanyInfo,
)
result = response.choices[0].message.parsed

Этот код работает для любых текстов — от финансовых отчётов до новостей. Без разметки, без pipeline. Но для >1000 док/час и latency <100 мс классический pipeline дешевле и быстрее. Недавно на проекте с маркетплейсом мы извлекли 500k+ товарных карточек из 1 млн PDF. Использовали комбинацию OCR (Tesseract) + LayoutLM для таблиц + GPT-4o для извлечения атрибутов. F1 на тестовой выборке — 93%.

Сравнение подходов

Как извлечение фактов из текста решает проблему обработки документов?

Извлечение фактов из текста — ключевой этап построения баз знаний. В типичном проекте мы проходим пять этапов:

Сроки: от 2 недель до 2 месяцев в зависимости от сложности. Стоимость рассчитывается индивидуально.

Что входит в работу?

• Аналитический отчёт с выделенными сущностями и отношениями
• Обученная модель или пайплайн (LLM или классический)
• REST API с документацией (OpenAPI)
• Интеграция с CRM (Bitrix24, 1С и др.)
• Обучение сотрудников (до 5 дней)
• Техническая поддержка на 3 месяца

Пошаговый процесс внедрения

1. Аудит данных — сбор образцов документов, определение целевых сущностей и метрик качества
2. Выбор архитектуры — тестирование LLM, BERT, spaCy на ваших данных, фиксация baseline
3. Разработка пайплайна — написание кода, настройка inference, оптимизация latency
4. Тестирование — расчёт Precision/Recall/F1, A/B-тесты, корректировка
5. Деплой — контейнеризация, развёртывание на вашей инфраструктуре или в облаке
6. Сопровождение — мониторинг метрик, дообучение при изменении данных

Оценка качества извлечения

Метрики Precision/Recall/F1 считаются по каждому типу сущностей. Для отношений — relation-level F1, для слотов — accuracy заполнения. Типичные результаты: 90–95% F1 на отчётах, 75–85% на новостях.

Детальнее про метрики: F1 — гармоническое среднее Precision и Recall. Для каждого типа сущности считаем отдельно. Если важна полнота (например, поиск всех упоминаний), настраиваем пайплайн с приоритетом Recall (до 98%) за счёт точности.

Гарантируем: фиксированные метрики качества в договоре, сертифицированные инженеры с опытом 10+ проектов (NLP, Computer Vision, LLM), поддержка после внедрения. Если вы хотите автоматизировать извлечение данных из ваших документов, свяжитесь с нашими инженерами для консультации. Закажите пилотный проект без предоплаты — оценим ваш кейс за 2 дня.

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.