Дообучение моделей перевода: MarianMT, NLLB, SeamlessM4T

Дообучение моделей машинного перевода для отраслевых задач: MarianMT, NLLB, SeamlessM4T

Юридический отдел компании, локализующей контракты на 10+ языков, тратил 40 часов в неделю на постредактирование машинного перевода. Generic-модели путали термины в 15% случаев: "consideration" превращалось в "рассмотрение" вместо "встречное удовлетворение". Мы дообучили MarianMT на корпусе из 50K параллельных предложений — BLEU вырос с 28 до 46, время постредактирования сократилось до 10 часов. Снижение затрат на постредактирование на 30–50% и окупаемость инвестиций в fine-tuning менее 3 месяцев — типичный результат для наших проектов. Ниже — как мы это делаем.

Почему дообучение модели машинного перевода критично для бизнеса?

Generic-модели дают BLEU 25–35 на технических текстах. После кастомного fine-tuning на доменных корпусах мы поднимаем BLEU до 40–50, а COMET — на 0.1–0.15. Это снижает объём постредактирования на 30-50% и исключает грубые смысловые ошибки. Без кастомизации вы теряете до 20% точности перевода на сложных доменах. Сравнение с открытыми системами: наша модель лучше базовой в 2 раза по BLEU на специализированных доменах.

Сравнение базовых архитектур

Выбор архитектуры зависит от целевых языков, бюджета на compute и желаемого качества. MarianMT в 3 раза быстрее в обучении, чем NLLB, при сопоставимом качестве на однопарных задачах.

Как мы строим pipeline для fine-tuning?

Наш процесс включает пять этапов: аналитика данных, подготовка корпуса, обучение, оценка, деплой. Рассмотрим каждый на примере MarianMT для юридического домена.

Подготовка данных

Параллельные корпуса — ключевой фактор успеха. Мы используем:

• OPUS — бесплатный ресурс с 500+ языковыми парами (для общего домена)
• EMEA (медицина) и JRC-Acquis (юриспруденция) — специализированные корпуса ЕС
• Собственные данные клиента: переведённые контракты, патентная документация, протоколы испытаний

Минимальный объём: 10K параллельных предложений для MarianMT, 100K+ для NLLB. Данные проходят дедупликацию, фильтрацию шума (длины, ratio) и токенизацию через SentencePiece.

Обучение и оптимизация

from transformers import MarianMTModel, MarianTokenizer, Seq2SeqTrainingArguments, Seq2SeqTrainer
import sacrebleu

model_name = "Helsinki-NLP/opus-mt-ru-en"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)

def preprocess(examples):
    inputs = tokenizer(examples["ru"], max_length=512, truncation=True, padding=True)
    targets = tokenizer(text_target=examples["en"], max_length=512, truncation=True, padding=True)
    inputs["labels"] = targets["input_ids"]
    return inputs

training_args = Seq2SeqTrainingArguments(
    output_dir="./marian_legal",
    predict_with_generate=True,
    per_device_train_batch_size=8,
    num_train_epochs=5,
    learning_rate=5e-5,
    fp16=True,
    generation_max_length=512,
)

Мы подбираем learning rate (1e-5 – 5e-5) и количество эпох, используем early stopping по loss на валидации. Для больших моделей применяем LoRA и 4-bit quantization, чтобы уложиться в доступную GPU-память.

Оценка и развёртывание

# BLEU
bleu = sacrebleu.corpus_bleu(hypotheses, [references])
print(f"BLEU: {bleu.score:.2f}")

# COMET (лучше коррелирует с человеческими оценками)
from comet import download_model, load_from_checkpoint
model_path = download_model("Unbabel/wmt22-comet-da")
comet_model = load_from_checkpoint(model_path)
scores = comet_model.predict(data, batch_size=8, gpus=1)

Типичный прирост от fine-tuning на доменных данных: +3–8 BLEU, +0.05–0.1 COMET score. Для сравнения: разница между системами-участниками WMT — 1–3 BLEU. Модель готова к деплою через Triton Inference Server или ONNX Runtime с поддержкой batching.

Типичные ошибки при дообучении и как их избежать

• Переобучение на маленьком корпусе: используем dropout 0.1, early stopping, data augmentation (back-translation).
• Смещение домена: добавляем 10–20% универсальных данных (например, OPUS).
• Потеря качества на общем домене: мультитаскинг — обучаем одновременно на домене и общем корпусе.
• Галлюцинации: включаем forced decoding с ограничением длины, применяем beam search с length penalty.

Какие метрики гарантируют качество перевода?

Мы используем две метрики: BLEU (точность n-грамм) и COMET (оценка на основе нейросети). Типичный прирост на доменных данных — +3–8 BLEU и +0.05–0.1 COMET. Этого достаточно для повышения качества на уровень коммерческих систем. Снижение затрат на постредактирование на 30–50% — прямой финансовый эффект.

Что входит в работу

• Подготовка и очистка параллельных корпусов (включая ETL-пайплайн)
• Выбор и конфигурация базовой модели (MarianMT/NLLB/SeamlessM4T)
• Обучение с подбором гиперпараметров (LR, batch size, dropout, number of beams)
• Оценка качества (BLEU, COMET, ручная валидация на 200–500 предложениях)
• Экспорт модели в ONNX/TorchScript с оптимизацией latency p99
• Документация: model card, отчёт с метриками, инструкция по деплою
• Поддержка в течение 30 дней после сдачи

Процесс и сроки

Ориентировочные сроки: от 10 рабочих дней для MarianMT до 30 дней для NLLB. Стоимость рассчитывается индивидуально под ваш стек и объём данных.

Почему стоит довериться нам?

Более 5 лет занимаемся NLP-проектами в продакшене. Выполнили 15+ кастомизаций машинного перевода для юридических, медицинских и технических доменов. Гарантируем прозрачную отчётность на каждом этапе: вы получаете model card, метрики и код. Свяжитесь с нами — оценим ваш проект и подберём оптимальную архитектуру. Закажите консультацию по fine-tuning 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.