Извлечение именованных сущностей (NER): кастомные решения для бизнеса

Представьте: вы анализируете медицинские статьи, где «Аспирин» — не бренд, а действующее вещество; «ИНН 7701234567» — не просто число, а идентификатор. Без кастомного NER вся аналитика превращается в ручной труд. Стандартные модели (CoNLL-2003) распознают только персоны, организации, локации — этого явно недостаточно для доменной лексики. Типичные бизнес-задачи: извлечение финансовых показателей из отчётов, идентификация лекарств в рецептах, распознавание юридических сущностей в договорах. Каждая требует индивидуального подхода.

Мы реализуем NER под ключ: от выбора архитектуры до деплоя в вашу инфраструктуру. Разберём, как настроить распознавание сущностей на русском языке, сравним инструменты и покажем, почему дообучение окупается. Затраты на разметку стартуют от 50 000 ₽, а экономия от автоматизации достигает 300 000 ₽ в год.

Стандартные типы сущностей и их расширение

Базовый набор (CoNLL-2003): PER (персоны), ORG (организации), LOC (местоположения), MISC (прочее). Для бизнеса этого мало. Типичные кастомные типы:

• Финансы: MONEY, PERCENT, DATE, TICKER, FINANCIAL_INSTRUMENT
• Медицина: DISEASE, DRUG, DOSAGE, PROCEDURE, ANATOMY
• Юриспруденция: LAW, COURT, CASE_NUMBER, LEGAL_ENTITY
• Логистика: ADDRESS, POSTAL_CODE, VEHICLE_ID, CARGO

Как выбрать инструмент для NER на русском языке?

natasha — оптимальный выбор для быстрого старта:

from natasha import Segmenter, MorphVocab, NewsEmbedding, NewsNERTagger, Doc

segmenter = Segmenter()
emb = NewsEmbedding()
ner_tagger = NewsNERTagger(emb)

doc = Doc("Газпром подписал контракт с немецкой компанией Wintershall в Берлине.")
doc.segment(segmenter)
doc.tag_ner(ner_tagger)
# [(Газпром, ORG), (Wintershall, ORG), (Берлине, LOC)]

spaCy (ru_core_news_lg): баланс скорости и качества, легко встраивается в production-пайплайны.

BERT-based (DeepPavlov, HuggingFace): максимальная точность на сложных текстах, но выше latency.

Сравним инструменты в таблице:

Почему fine-tuning улучшает точность?

Fine-tuning на вашем корпусе убирает омонимию и поднимает F1 на 10–15%. Готовая модель путает «Яблоко» (фрукт) и «Яблоко» (компания). После дообучения модель учитывает контекст, что критично для доменной лексики. Процесс включает разметку, IOB2-форматирование и обучение через HuggingFace.

Fine-tuning для кастомных сущностей

Процесс:

1. Разметка: Prodigy или Label Studio. Минимум 200–500 примеров на тип сущности.
2. Формат: IOB2 (BIO-tagging) — стандарт для NER.
3. Обучение: HuggingFace TokenClassification с предобученным RuBERT.

from transformers import AutoModelForTokenClassification, TrainingArguments
model = AutoModelForTokenClassification.from_pretrained(
    "DeepPavlov/rubert-base-cased",
    num_labels=len(label_list),
    id2label=id2label,
    label2id=label2id
)

Оценка качества NER

Entity-level F1 (strict) — основная метрика. «Strict» означает: правильный тип И правильные границы span. Partial match считается ошибкой.

Типичные показатели на русских текстах:

• PER: F1 95–97% (легко распознаваемые паттерны)
• ORG: F1 88–93% (много сокращений, аббревиатур)
• LOC: F1 90–95%
• Кастомные доменные сущности: 80–90% после fine-tuning на 1K+ примерах

Как мы реализуем NER под ваш домен?

Наш подход — инженерный, без чёрных ящиков. Этапы работы:

1. Анализ данных: изучаем ваши тексты, определяем целевые сущности, оцениваем сложность (вложенность, омонимия, разнесённые сущности).
2. Разметка и аугментация: готовим корпус в IOB2, контролируем качество через кросс-валидацию разметчиков.
3. Выбор архитектуры: сравниваем natasha/spaCy/BERT на вашем корпусе, выбираем по F1 и latency.
4. Fine-tuning и тестирование: обучаем модель, добиваемся F1 > 90% по целевым типам.
5. Деплой: упаковываем в ONNX (CPU) или TorchServe (GPU), latency — от 5 до 30 мс на предложение.
6. Передача: документация, код пайплайна, доступ к модели, обучение вашей команды.

Что входит в работу

В результате вы получаете:

• Обученную модель с кастомными сущностями
• Код инференса (Python, Docker-образ)
• Инструкцию по переобучению на новых данных
• Гарантийную поддержку на 3 месяца

Для каждого проекта мы готовим guideline для разметчиков, проводим тестовый раунд с контролем качества IAA (inter-annotator agreement > 0.9). После утверждения схемы начинаем полную разметку.

Сложные случаи

• Вложенные сущности: «Министерство финансов России» — ORG + LOC. Большинство моделей не поддерживают вложенность; используем Span-BERT или biaffine NER.
• Разнесённые сущности: «ООО… (далее — Компания)» — требуется модуль кореференции.
• Омонимия: решается контекстом (трансформеры справляются лучше CRF).

Деплой и надёжность

Мы гарантируем стабильную работу модели под нагрузкой. Опыт — более 50 проектов по NLP, сертифицированные инженеры PyTorch. Свяжитесь с нами для оценки вашей задачи — пришлём план работ и сроки (от 2 до 6 недель в зависимости от объёма разметки).

Закажите разработку NER-системы под ваш домен. Получите консультацию по выбору инструментов и оценке необходимого объёма данных. Для предварительной оценки вашего кейса напишите нам — мы подготовим детальный план работ.

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.