Интеграция Prodigy для разметки данных: Active Learning и spaCy

Что даёт интеграция Prodigy

Ваша команда тратит недели на ручную разметку NER-датасетов, а качество всё равно хромает? Мы сталкивались с этим десятки раз. Один из наших клиентов — финтех-компания — тратил 3 месяца на разметку 10 000 юридических документов для извлечения сущностей. После внедрения Prodigy с active learning тот же объём занял 3 недели, а F1-мера выросла на 12%. Интеграция Prodigy с активным обучением сокращает время разметки в 2-3 раза и повышает полноту аннотаций.

Prodigy — профессиональный инструмент от создателей spaCy, оптимизированный для NLP: распознавание сущностей, классификация текста, семантическое сходство. Встроенный active learning направляет аннотатора на самые информативные примеры — те, где модель наименее уверена. Active learning сокращает объём разметки на 60–70% по сравнению со случайным отбором.

Как Prodigy ускоряет разметку с Active Learning?

Active learning работает по циклу: модель обучается на небольшом начальном датасете, затем Prodigy отбирает примеры с высокой неопределённостью (например, энтропия >0.5). Аннотатор размечает их, модель дообучается — и цикл повторяется. Это позволяет достичь целевого качества на 60–70% меньше размеченных данных. Встроенные рецепты покрывают типовые задачи: ner.teach, textcat.teach, pos.teach. Для нестандартных сценариев мы пишем кастомные рецепты на Python.

Почему Prodigy эффективнее ручной разметки?

Ручная разметка страдает от утомления аннотаторов и неравномерного распределения сущностей. Prodigy решает это через active learning: он предъявляет только те примеры, где модель неуверена, тем самым концентрируя усилия на сложных случаях. Дополнительно предлагаются подсказки из уже обученной модели, что ускоряет аннотацию ещё на 20–30%.

Какие задачи NLP можно решить с Prodigy?

• NER: разметка персоналий, организаций, локаций, продуктов. По умолчанию поддерживаются многоязычные модели spaCy.
• Классификация текста: тональность, тематика, интенты. Рецепт textcat.manual.
• Семантическое сходство: обучение sentence-transformers на парах предложений.
• Разметка отношений: связи между сущностями (например, WORKS_AT, LOCATED_IN).

Мы реализовали 50+ проектов по разметке данных, включая датасеты для fine-tuning LLM и кастомных NER-моделей. Опыт — более 5 лет в NLP.

Пример из практики: разметка юридических документов

Для финтех-клиента потребовалось выделить 15 типов сущностей (названия судов, номера дел, истцы, ответчики, суммы исков) в 10 000 PDF-документах. Исходный пайплайн: spaCy ru_core_news_lg с ручной разметкой — давал F1=0.68 после 2 месяцев работы. Мы развернули Prodigy с рецептом ner.teach, использовали активное обучение по энтропии и добавили пре-аннотацию через регулярные выражения. Результат: через 3 недели аннотаторы размеченные 10 000 документов с F1=0.81. Экономия времени — 75%.

Процесс работы

1. Анализ задачи — определяем домен, типы сущностей, объём, метрики качества.
2. Проектирование рецептов — пишем конфиги, выбираем стратегию active learning, настраиваем бэкенд (PostgreSQL, Redis).
3. Реализация — развёртываем Prodigy, интегрируем с пайплайном (spaCy, Hugging Face, PyTorch), экспортируем данные в нужном формате.
4. Итеративное тестирование — запускаем пилотную разметку, корректируем рецепты, добиваемся target F1.
5. Деплой и передача — документация, обучение аннотаторов, поддержка 2 недели.

Что входит в работу

• Настройка Prodigy (инстанс, БД, рецепты)
• Интеграция с вашим пайплайном (spaCy, Hugging Face, PyTorch)
• Кастомные рецепты под нестандартные задачи
• Экспорт размеченных данных в форматы .spacy, JSON, Hugging Face Dataset
• Документация и обучение команды (1-2 созвона)
• Поддержка на этапе пилотной разметки

Сравнение Prodigy с альтернативами

Prodigy выигрывает в скорости настройки и качестве разметки за счёт active learning.

Типичные ошибки и как их избежать

• Разметка без active learning — все примеры подряд. Решение: используйте ner.teach вместо ner.manual.
• Слишком большое число меток — модель путается. Оптимум — 5-10 меток на задачу.
• Плохие начальные данные — модель не может выбрать информативные примеры. Начинайте хотя бы с 50 качественно размеченных записей.

Свяжитесь с нами для консультации. Закажите интеграцию Prodigy — получите качественные датасеты в 2-3 раза быстрее.

pip install prodigy  # требует лицензионный ключ
prodigy ner.teach my_ner_dataset ru_core_news_lg texts.jsonl --label PRODUCT,FEATURE

Экспорт для обучения spaCy:

prodigy data-to-spacy ./train ./dev --ner my_ner_dataset
python -m spacy train config.cfg --output ./model

# Конвертация в HuggingFace dataset
from prodigy.components.db import connect
db = connect()
examples = db.get_dataset("my_ner_dataset")
from datasets import Dataset
hf_dataset = Dataset.from_list([
    {"tokens": ex["tokens"], "labels": convert_spans_to_bio(ex)}
    for ex in examples if ex["answer"] == "accept"
])

Закажите интеграцию Prodigy — получите качественные датасеты в 2-3 раза быстрее.

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.