Дообучение T5, BART, ruT5 для доменной суммаризации текстов

General-purpose модели вроде GPT-4o отлично справляются с аннотациями новостей, но на юридическом контракте пропускают ключевые условия — форс-мажор или срок уведомления. Мы знаем это из практики: доменная адаптация кардинально меняет качество. Fine-tuning на предметных данных учит модель выделять важное именно в вашем контексте — будь то медицинские карты, судебные решения или техническая документация. Наши инженеры адаптируют архитектуры под специфику задачи: стиль, терминологию, структуру. Результат — суммаризация, которой можно доверять. Экономия на инференсе по сравнению с коммерческими LLM достигает 10 раз. Например, дообучение ruT5 на 3000 парах обойдётся в 150 000–200 000 ₽, а экономия на инференсе может составить 100 000 ₽ в месяц. Оценим стоимость вашего проекта бесплатно — свяжитесь для консультации.

Какие проблемы решает дообучение

Несоответствие стиля. Генеративные модели склонны к разговорным оборотам. Для делового отчёта нужна формальная лексика, для новости — краткость, для медицины — точная терминология. Fine-tuning подстраивает стиль под домен. Медицинская суммаризация требует особой точности терминов, новостная — лаконичности.

Галлюцинации фактов. Модель может добавить несуществующие цифры или имена. Это критично в юридических и финансовых текстах. Дообучение на доменных данных снижает процент галлюцинаций на 30–50%. Исследование Google показывает, что адаптированные модели дают на 20% меньше выдуманных деталей.

Длинный контекст. Некоторые документы (например, судебные решения) превышают 8K токенов. Не все модели умеют с ними работать. T5 и BART с окном 1024 токена требуют чанкинга — мы используем стратегию sliding window с перекрытием.

Как мы адаптируем модель: кейс с юридическими документами

Наш клиент — юридический департамент крупной компании. Нужно было суммаризировать договоры поставки. Стандартные модели (GPT-4o) выдавали пересказ, а не выжимку — пропускали даты, суммы и условия расторжения.

Отметим: что сделали:

• Собрали 2000 пар «договор → суммари» из архива за 5 лет.
• Использовали ruT5-base с LoRA — ранг 16, target modules = q_proj, v_proj.
• Обучали на одном A100 80GB, 3 эпохи, batch size 8, gradient accumulation 2. Loss сошёлся за 2 часа.
• После дообучения ROUGE-1 вырос с 0.32 до 0.48, BERTScore — с 0.78 до 0.89.
• Human evaluation: accuracy 4.2/5, completeness 4.5/5.

Результат: модель стабильно выделяет все существенные условия. Галлюцинации — менее 2%.

Сравнение архитектур для суммаризации

Для русскоязычных доменов мы рекомендуем ruT5 или ruBART — они компактны и дают результат с 2000+ примеров. После дообучения такие модели в среднем в 1.5 раза лучше удерживают структуру документа по сравнению с мультиязычными аналогами. Благодаря правильному выбору архитектуры вы экономите до 40% бюджета.

Почему важно дообучать модель на доменных данных?

Обучение на общем корпусе (например, Common Crawl) не учит модель специфике вашего бизнеса. Термины, структура документа, важность полей — всё это нужно донастроить. Fine-tuning решает задачу domain adaptation: модель начинает понимать, что в контракте «существенные условия» — это не то же самое, что в новости о погоде. На практике адаптированная модель даёт ROUGE-L на 15–20 пунктов выше базовой.

Сколько данных нужно для качественного дообучения?

Опыт показывает: 1000–5000 пар достаточно, чтобы получить прирост 15–20 пунктов ROUGE. Если данных меньше, используем аугментацию: обратный перевод, синонимизацию, рекурсивное суммаризирование через GPT-4o. Но синтетические данные не заменяют реальные — обязательно смешивайте их в пропорции 1:3. Для оценки качества применяем BERTScore вместе с ROUGE. domain adaptation NLP — ключевая техника для переноса знаний в новый домен.

Процесс работы

1. Анализ домена и требований — собираем репрезентативную выборку документов, определяем стиль и объём итоговой суммари.
2. Подготовка данных — чистка, разметка (если нет пар), чанкинг для длинных документов. Используем конкатенацию с разделителем и sliding window.
3. Выбор архитектуры и тонкая настройка — экспериментируем с T5, BART, иногда с mT5. Подбираем гиперпараметры: learning rate (1e-4…5e-5), batch size, количество эпох. Используем EarlyStopping из библиотеки Hugging Face.
4. Оценка — ROUGE + BERTScore + human evaluation. Если качество ниже порога, возвращаемся к данным или архитектуре.
5. Деплой — разворачиваем на Triton Inference Server или через FastAPI. Оптимизируем latency p99 до 500 мс. Используем quantization INT8 для ускорения на GPU.

Что входит в работу

• Анализ ваших данных и домена с подбором архитектуры.
• Подготовка и аугментация тренировочного набора.
• Fine-tuning модели с оптимизацией гиперпараметров.
• Оценка по ROUGE, BERTScore и человеческое тестирование.
• Деплой модели (Triton, FastAPI) с документацией.
• Обучение вашей команды работе с моделью.
• Гарантия стабильности — дополнительные эпохи при необходимости.

Свяжитесь с нами для консультации: поможем оценить проект, подобрать архитектуру и рассчитать бюджет. Опыт 7+ лет, 30+ проектов по NLP и суммаризации. Закажите предварительный анализ — мы покажем, какой прирост качества даст дообучение на ваших данных.

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.