Обучение NER-модели: Named Entity Recognition под ключ

Вы работаете с доменными текстами — медицинскими, юридическими, финансовыми. Стандартные NER-модели (например, spaCy или Stanford NER) пропускают до 30% специфических сущностей: номера лицензий, коды препаратов, ссылки на законодательные акты. Кастомная модель на TokenClassification решает проблему — мы обучаем её с точностью F1 до 97%. За 5 лет в NLP и 30+ проектах мы научились обходить типичные ловушки: несбалансированную разметку, редкие типы и неоптимальный выбор предобученной модели.

Named Entity Recognition (NER) — это задача извлечения именованных сущностей. Fine-tuning на кастомных типах — стандартная практика, но подводных камней много: от ошибок в IOB2-разметке до некорректного подсчёта loss на специальных токенах.

Какие проблемы решаем

• Хаотичная разметка: IOB2-теги с пропусками и перекрытиями снижают F1 на 10–15%. Мы проводим аудит, исправляем инконсистентность и стандартизируем формат. Один из клиентов сэкономил более 200 000 руб. на исправлении ошибок после нашего аудита.
• Редкие сущности: тип "Номер лицензии" может встретиться 20 раз на 10 000 документов. Без oversampling или аугментации модель просто не научится его выделять. Используем замену сущностей из предопределенного словаря — это даёт прирост F1 до 8%.
• Выбор модели: DeepPavlov/rubert-base-cased даёт 94% на PER, но на кастомных юридических сущностях может упасть до 70%. Мы тестируем 3–4 предобученные модели (ruBERT, XLM-R, mBERT) и выбираем лучшую под ваш домен. DeepPavlov/rubert в 1.5 раза точнее mBERT на русскоязычных кастомных сущностях.

[CLS] Пациент [B-PER] Иванов [I-PER] жалуется [O] на [O] головную [B-SYMPTOM] боль [I-SYMPTOM] . [O] Диагноз [O] : [O] мигрень [B-DIAGNOSIS] . [O] Назначен [O] парацетамол [B-DRUG] . [SEP]

Как мы это делаем

Рассмотрим кейс: медицинские протоколы, где нужно выделять сущности "Симптом", "Диагноз", "Лекарство". Исходная разметка — 500 предложений в IOB2. Мы:

1. Исправляем ошибки: в 10% предложений путаница между B-Diagnosis и I-Diagnosis.
2. Аугментируем: заменяем названия препаратов из словаря аналогов, увеличиваем выборку до 1500 предложений.
3. Fine-tune на DeepPavlov/rubert-base-cased: 10 эпох, batch size 16, learning rate 5e-5.
4. Оценка: seqeval, F1 по сущностям: симптом — 91%, диагноз — 94%, лекарство — 96%.

Процесс fine-tuning на TokenClassification:

from transformers import AutoModelForTokenClassification, TrainingArguments, Trainer
from transformers import DataCollatorForTokenClassification

label_list = ["O", "B-PER", "I-PER", "B-ORG", "I-ORG", "B-LOC", "I-LOC"]
label2id = {l: i for i, l in enumerate(label_list)}
id2label = {i: l for l, i in label2id.items()}

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

data_collator = DataCollatorForTokenClassification(tokenizer)

training_args = TrainingArguments(
    output_dir="./ner_model",
    num_train_epochs=10,  # NER требует больше эпох чем классификация
    per_device_train_batch_size=16,
    learning_rate=5e-5,
    weight_decay=0.01,
)

Метрики NER: библиотека seqeval (формат BIO)

import evaluate
seqeval = evaluate.load("seqeval")

def compute_metrics(p):
    predictions, labels = p
    predictions = np.argmax(predictions, axis=2)
    true_predictions = [
        [label_list[p] for (p, l) in zip(pred, label) if l != -100]
        for pred, label in zip(predictions, labels)
    ]
    true_labels = [
        [label_list[l] for (p, l) in zip(pred, label) if l != -100]
        for pred, label in zip(predictions, labels)
    ]
    results = seqeval.compute(predictions=true_predictions, references=true_labels)
    return {"f1": results["overall_f1"], "precision": results["overall_precision"]}

Процесс работы

1. Аналитика: изучаем ваш домен, список сущностей, объем данных.
2. Аудит и подготовка разметки: проверка IOB2, аугментация, фикс ошибок.
3. Выбор модели: тестируем 3 архитектуры на валидационной выборке.
4. Fine-tuning с гиперпараметрами: learning rate, эпохи, шедулинг.
5. Тестирование: на отложенной выборке с оценкой по типам.
6. Деплой: конвертация в ONNX, интеграция через REST API или библиотеку.

Что входит в работу

• Итоговый отчёт с метриками по каждому типу сущности.
• Код fine-tuning и инференса (Jupyter notebook или Python скрипт).
• Модель в формате ONNX или TorchScript для продакшена.
• Краткая документация по параметрам и поддерживаемым сущностям.
• Поддержка 2 недели после сдачи — отвечаем на вопросы по донастройке.

Как выбрать архитектуру модели?

DeepPavlov/rubert даёт лучший F1 на русском для стандартных сущностей, но для кастомных с малым количеством данных XLM-RoBERTa может быть стабильнее.

Сравнение методов аугментации

Почему важна качественная разметка?

IOB2-разметка — ключевой фактор. Ошибки типа пропущенного B-тэга или перекрытия сущностей снижают итоговый F1 на 10–20%. Мы гарантируем, что после аудита разметки и исправления ошибок вы получите прирост точности как минимум на 5% при том же объёме данных.

Типичные ошибки при fine-tuning

• Слишком мало эпох: 3 эпохи для NER недостаточно, нужно 8–12.
• Несбалансированный batch: если один тип сущностей встречается в 90% предложений, используем weighted loss или undersampling.
• Игнорирование special tokens: не забывайте маскировать [CLS], [SEP] и паддинги при расчёте loss.

Метрики и гарантии

Опираемся на seqeval для прозрачной оценки. Типичные F1 после нашей настройки: PER 94–97%, ORG 88–93%, кастомные доменные сущности 80–92%. Даём гарантию на стабильность метрик на тестовой выборке: если F1 окажется ниже заявленного на 5% и более, донастраиваем бесплатно.

Свяжитесь с нами для оценки вашего кейса — мы подберем оптимальную архитектуру и объём разметки. Закажите обучение модели NER уже сегодня: пишите на почту или в мессенджер, ответим в течение часа.

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.