Разработка NLP-систем: пайплайны, модели и деплой

Проект NLP-системы часто начинается с заблуждения: «возьмём BERT и всё заработает». Через месяц выясняется, что latency не проходит в прод, модель весит 1.5 ГБ, а F1 на русском тексте — 0.6. Мы видели десятки таких проектов. Проблема не в модели — в отсутствии системного подхода к пайплайну. Мы строим production-ready NLP-системы для русского языка, которые работают в production: с контролем data drift, мониторингом метрик и выбором архитектуры под задачу, а не под тренд. Обработка естественного языка в русскоязычном контексте требует учёта морфологии, выбора правильного пайплайна и MLOps-практик.

Проблемы, которые решаем

• Морфология русского языка. Слово «разработка» имеет 12 форм. Без лемматизации TF-IDF теряет 40% смысла. Используем pymorphy3 или natasha — они дают леммы с точностью >95% для технических текстов. pymorphy3 documentation подтверждает точность 97% для литературного текста.
• Data drift. Через месяц после деплоя распределение токенов меняется. Мы автоматически детектируем смещение и перезапускаем цикл дообучения. Без этого F1 падает на 10–15% за квартал.
• Выбор архитектуры. 80% задач классификации решаются Logistic Regression + TF-IDF с F1 0.92–0.95. Fine-tuning BERT нужен только когда данных мало (<5k примеров) или высокая семантическая сложность (сарказм, контекстная зависимость).

Как мы это делаем: кейс из нашей практики

Наш клиент — финтех-стартап. Задача: классификация обращений клиентов по 12 категориям (претензия, возврат, консультация). Данных — 50k размеченных сообщений. Наш подход:

• Анализ: дисбаланс классов (3 класса — 70% выборки).
• Прототип: FastText + TF-IDF. F1 = 0.91. Время инференса — 2 мс на CPU.
• Сравнили с BERT-base (fine-tune): F1 = 0.93, но latency 150 мс на GPU + стоимость инференса в 20 раз выше. FastText лучше BERT по скорости в 75 раз при сопоставимом качестве.
• Итог: взяли FastText, добавили rule-based коррекцию для редких классов. F1 = 0.93, деплой на 2 CPU, экономия затрат на инфраструктуру в 10 раз.

Вывод: лёгкое решение + умные правила часто бьют тяжёлый трансформер.

Как выбрать модель под задачу?

Почему морфология — главная боль русского NLP?

В английском токенизация тривиальна: split по пробелам. В русском «разработанный» и «разработана» — разные токены, не похожие друг на друга. Без лемматизации модель не обобщит. Мы используем pymorphy3 — он даёт лемму с точностью 97% для литературного текста, 93% для технического. Для NER — natasha, она учитывает контекст и выдаёт разметку в формате BIO. Морфологический анализ русского языка — обязательный этап в любом NLP пайплайне.

Сравнение фреймворков для русского языка

Для production чаще всего хватает spaCy. DeBERTa — только если требуется максимальное качество.

Процесс работы

1. Аналитика — сбор требований, аудит данных, выбор метрик (F1, latency, cost).
2. Прототип — MVP за 1–2 недели: пайплайн на лёгких моделях, оценка baseline.
3. Обучение — если нужно: fine-tuning трансформеров, аугментация данных, дистилляция.
4. Деплой — Docker, FastAPI, тритон-сервер (если GPU). CI/CD с тестами на data drift.
5. Мониторинг — логирование метрик, алерты при падении F1 > 5%.

Что входит в работу

• Репозиторий с кодом пайплайна (Python, PyTorch/TensorFlow)
• Документация архитектуры и API (OpenAPI)
• Настроенный CI/CD (GitHub Actions / GitLab CI)
• Мониторинг (Prometheus + Grafana дашборд)
• Обучение команды заказчика (2–3 воркшопа)
• Гарантия на деплой — 3 месяца сопровождения

Сроки ориентировочно

• Прототип (базовый пайплайн): от 1 до 2 недель
• Production-решение с одной задачей: от 3 до 5 недель
• Комплексная NLP-платформа (несколько задач): от 2 до 4 месяцев

Стоимость рассчитывается индивидуально — напишите нам для оценки вашего проекта.

Почему выбирают нас

• Более 5 лет на рынке AI-решений
• 30+ реализованных NLP-проектов (финтех, e-commerce, медицина)
• Опыт работы с OpenAI, Yandex GPT, Hugging Face
• Сертифицированные специалисты по MLOps (Kubeflow, MLflow)

Свяжитесь с нами, чтобы обсудить ваш проект. Получите консультацию бесплатно.

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from pymorphy3 import MorphAnalyzer
import re

morph = MorphAnalyzer()

def preprocess(text):
    tokens = re.findall(r'[а-яё]+', text.lower())
    lemmas = [morph.parse(tok)[0].normal_form for tok in tokens]
    return ' '.join(lemmas)

# Пример использования
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform([preprocess(t) for t in train_texts])
model = LogisticRegression().fit(X_train, train_labels)

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.