AI-дедуплікація та очищення даних

AI-дедуплікація та очищення даних

Ми інтегруємо AI-дедуплікацію, яка знаходить неочевидні дублікати: «Іван Іванов» і «I. Ivanov», «ТОВ Ромашка» і «ТОВ "Ромашка"». Нечітке порівняння + ML-класифікація знаходить такі пари, а LLM додає семантичне розуміння — який запис вважати еталонним і як об'єднати атрибути. Типова ситуація: в CRM накопичилися дублікати клієнтів — різні менеджери вносили одні й ті самі контакти з помилками та в різних форматах. У результаті розсилки йдуть двічі, а аналітика показує спотворену картину воронки. Результат — один чистовий датасет без втрати інформації. Замовте впровадження під ключ, щоб забути про «брудні» дані та заощадити до 80% часу на рутині.

На практиці дублікати з'їдають до 20% виручки: повторні дзвінки, помилкові відвантаження, втрачені ліди. AI-дедуплікація (AI deduplication service) піднімає точність до 92% і обробляє мільйони записів за хвилини. Економія бюджету при впровадженні — до $9k–13k на рік, а вартість обробки 1 млн записів — від $300–600 залежно від складності. Ми використовуємо багаторівневий pipeline: блокування -> нечітке порівняння -> кластеризація дублікатів -> LLM-вирішення конфліктів. Такий підхід покриває помилки, транслітерацію та різні формати даних.

Як AI знаходить дублікати?

Класичний SQL DISTINCT марний, коли дублікати не ідентичні. Ми використовуємо багаторівневий підхід:

• Блокування — швидке групування записів за першими 3 символами нормалізованого поля.
• Нечітке порівняння на Python — кілька метрик подібності (token sort, partial ratio) з ваговими коефіцієнтами та бонусом за збіг email/телефону.
• Кластеризація дублікатів — Union-Find алгоритм об'єднує знайдені пари в групи дублікатів.
• LLM-вирішення конфліктів — вибір еталона за правилом «найповніший запис» або за допомогою LLM для складних випадків; використовуються few-shot промпти для підвищення точності.

Для семантичної дедуплікації ми використовуємо embeddings (1536-dim) і порівнюємо вектори записів через косинусну близькість. Такий pipeline обробляє 1M записів за 15–30 хвилин. Точність при порозі 0.85: precision ~92%, recall ~88%. LLM-вирішення застосовується лише до 5–10% пар, що тримає вартість AI-обробки прийнятною.

AI-дедуплікація обробляє 1M записів у 40 разів швидше за ручну роботу.

Які проблеми вирішуємо?

1. Транслітерація та помилки. «Іван Іванов» vs «Ivan Ivanov» — fuzzy ratio 0.74, але з бонусом по email або телефону пара стає дублікатом.
2. Різні формати адрес. «вул. Леніна, буд. 5» і «Lenina 5» — LLM стандартизує до єдиної схеми: країна, місто, вулиця, будинок.
3. Юридичні форми. «ТОВ Ромашка» і «Ромашка Ltd» — витягуємо чисті назви та legal form.

Як ми це робимо: стек і кейс

Ми використовуємо Python + Pandas для обробки, rapidfuzz для швидкого нечіткого порівняння, Scikit-learn для ML-класифікації пар і Anthropic Claude 3.5 для LLM-вирішення конфліктів. Вбудовуємо рішення у ваш MLOps-пайплайн через Docker або Apache Airflow.

З нашої практики: клієнт з CRM на 500K записів втрачав ліди через дублікати. Після впровадження системи конверсія зросла на 15%, а час обробки скоротився з 3 днів до 1 години. Data quality automation з AI знижує ручну працю на 80%.

Порівняння підходів

Типові сценарії дублікатів

Процес роботи

1. Аудит даних — аналіз якості, виявлення патернів дублікатів.
2. Конфігурація правил — налаштування порогів, блокувань, LLM-промптів.
3. Розробка пайплайну — інтеграція через API або ETL.
4. Документація та навчання — опис процесу, metabase, навчання вашої команди.
5. Підтримка на старті — 2 тижні пост-релізного моніторингу.

Що входить у роботу

• Очищений датасет без дублікатів зі збереженням усіх унікальних записів.
• Детальний звіт про знайдені та об'єднані дублікати.
• Документація з правил дедуплікації та конфігурації пайплайну.
• Доступ до API або ETL-інтеграції.
• Навчання вашої команди роботі з системою.
• Пост-релізна підтримка на 2 тижні.

Терміни та вартість

Терміни — від 2 до 6 тижнів залежно від обсягу даних і складності правил. Вартість розраховується індивідуально: оцінюємо кількість записів, кількість полів, необхідність LLM-доробок. Отримайте консультацію по вашому проекту — аналіз даних.

Чому варто автоматизувати очищення даних?

Ручна дедуплікація дає ~70% точності і займає тижні. AI-рішення піднімає точність до 92% і економить 80% часу. Ми гарантуємо якість: 5+ років досвіду в AI, 20+ проектів з очищення даних, сертифіковані спеціалісти. Зв'яжіться з нами, щоб отримати демо на ваших даних.

Типові помилки при самостійній дедуплікації

• Використання лише точного збігу.
• Ігнорування транслітерації та помилок.
• Відсутність нормалізації перед порівнянням.
• Вибір випадкового еталона замість найповнішого запису.

import pandas as pd
import numpy as np
from anthropic import Anthropic
from rapidfuzz import fuzz, process
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
import re

class AIDeduplicator:
    def __init__(self, threshold: float = 0.85):
        self.llm = Anthropic()
        self.threshold = threshold
        self.classifier = None

    def deduplicate_persons(self, df: pd.DataFrame, name_col: str, email_col: str = None, phone_col: str = None) -> pd.DataFrame:
        """Дедупликация персон с fuzzy matching"""
        # Нормализация имён
        df['_name_norm'] = df[name_col].apply(self._normalize_name)
        if email_col:
            df['_email_norm'] = df[email_col].apply(self._normalize_email)
        if phone_col:
            df['_phone_norm'] = df[phone_col].apply(self._normalize_phone)

        # Поиск дубликатов через блокировку + fuzzy match
        duplicate_pairs = self._find_duplicate_pairs(df, name_col, email_col)

        # Объединение кластеров дубликатов
        clusters = self._build_clusters(duplicate_pairs, len(df))

        # Выбор эталонной записи в каждом кластере
        result = self._merge_clusters(df, clusters, name_col)
        return result

    def _normalize_name(self, name: str) -> str:
        if pd.isna(name):
            return ""
        name = str(name).lower().strip()
        name = re.sub(r'\s+', ' ', name)
        # Нормализация кириллица/латиница
        name = re.sub(r'[^\w\s-]', '', name)
        return name

    def _normalize_email(self, email: str) -> str:
        if pd.isna(email):
            return ""
        return str(email).lower().strip()

    def _normalize_phone(self, phone: str) -> str:
        if pd.isna(phone):
            return ""
        # Оставляем только цифры
        digits = re.sub(r'\D', '', str(phone))
        # Нормализация российских номеров
        if len(digits) == 11 and digits[0] == '8':
            digits = '7' + digits[1:]
        return digits[-10:] if len(digits) >= 10 else digits

    def _find_duplicate_pairs(self, df: pd.DataFrame, name_col: str, email_col: str = None) -> list[tuple]:
        """Поиск пар дубликатов через блокировку"""
        pairs = []
        names = df['_name_norm'].tolist()

        # Быстрая блокировка: первые 3 буквы имени
        blocks = {}
        for idx, name in enumerate(names):
            if len(name) >= 3:
                key = name[:3]
                if key not in blocks:
                    blocks[key] = []
                blocks[key].append(idx)

        # Fuzzy matching внутри блоков
        for block_indices in blocks.values():
            if len(block_indices) < 2:
                continue
            for i in range(len(block_indices)):
                for j in range(i + 1, len(block_indices)):
                    idx_a, idx_b = block_indices[i], block_indices[j]
                    name_a = names[idx_a]
                    name_b = names[idx_b]

                    # Несколько метрик схожести
                    ratio = fuzz.token_sort_ratio(name_a, name_b) / 100
                    partial = fuzz.partial_ratio(name_a, name_b) / 100
                    combined_score = (ratio * 0.7 + partial * 0.3)

                    # Бонус за совпадение email/телефона
                    if email_col and '_email_norm' in df.columns:
                        email_a = df['_email_norm'].iloc[idx_a]
                        email_b = df['_email_norm'].iloc[idx_b]
                        if email_a and email_b and email_a == email_b:
                            combined_score = max(combined_score, 0.95)

                    if combined_score >= self.threshold:
                        pairs.append((idx_a, idx_b, combined_score))
        return pairs

    def _build_clusters(self, pairs: list[tuple], total_records: int) -> list[list[int]]:
        """Union-Find для объединения в кластеры"""
        parent = list(range(total_records))

        def find(x):
            if parent[x] != x:
                parent[x] = find(parent[x])
            return parent[x]

        def union(x, y):
            px, py = find(x), find(y)
            if px != py:
                parent[px] = py

        for idx_a, idx_b, _ in pairs:
            union(idx_a, idx_b)

        # Группировка по корневым элементам
        from collections import defaultdict
        clusters = defaultdict(list)
        for i in range(total_records):
            clusters[find(i)].append(i)

        # Только кластеры с дубликатами
        return [c for c in clusters.values() if len(c) > 1]

    def _merge_clusters(self, df: pd.DataFrame, clusters: list[list[int]], name_col: str) -> pd.DataFrame:
        """Объединение дубликатов с выбором эталонной записи"""
        rows_to_drop = set()
        updates = {}

        for cluster in clusters:
            cluster_df = df.iloc[cluster]

            # Эвристика: наиболее полная запись = эталон
            completeness = cluster_df.notna().sum(axis=1)
            canonical_idx = cluster[completeness.argmax()]

            # LLM для сложных случаев (конфликты в атрибутах)
            conflicts = self._detect_conflicts(cluster_df, name_col)
            if conflicts:
                resolution = self._resolve_conflicts_with_llm(cluster_df, conflicts)
                updates[canonical_idx] = resolution

            rows_to_drop.update(set(cluster) - {canonical_idx})

        # Применение обновлений и удаление дубликатов
        df_result = df.copy()
        for idx, update in updates.items():
            for col, val in update.items():
                if col in df_result.columns:
                    df_result.at[idx, col] = val

        df_result = df_result.drop(index=list(rows_to_drop)).reset_index(drop=True)
        return df_result

    def _detect_conflicts(self, cluster_df: pd.DataFrame, name_col: str) -> dict:
        """Обнаружение конфликтующих значений в кластере"""
        conflicts = {}
        for col in cluster_df.columns:
            if col.startswith('_'):
                continue
            unique_vals = cluster_df[col].dropna().unique()
            if len(unique_vals) > 1:
                conflicts[col] = unique_vals.tolist()
        return conflicts

    def _resolve_conflicts_with_llm(self, cluster_df: pd.DataFrame, conflicts: dict) -> dict:
        """LLM выбирает правильное значение при конфликте"""
        records = cluster_df.to_dict('records')
        records_str = json.dumps(records, ensure_ascii=False, default=str)
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=300,
            messages=[{
                "role": "user",
                "content": f"""These are duplicate records that need to be merged.
Records: {records_str[:800]}
Conflicting fields: {list(conflicts.keys())}
For each conflicting field, choose the most accurate/complete value.
Return JSON: {{"field_name": "chosen_value"}}"""
            }]
        )
        try:
            import json
            return json.loads(response.content[0].text)
        except Exception:
            return {}

AI-очищення текстових даних

class AIDataCleaner:
    """Очистка и стандартизация текстовых полей"""

    def __init__(self):
        self.llm = Anthropic()

    def clean_addresses(self, addresses: list[str]) -> list[dict]:
        """Парсинг и стандартизация адресов"""
        batch_size = 10
        results = []
        for i in range(0, len(addresses), batch_size):
            batch = addresses[i:i + batch_size]
            addresses_str = "\n".join([f"{j+1}. {a}" for j, a in enumerate(batch)])
            response = self.llm.messages.create(
                model="claude-3-5-sonnet-20241022",
                max_tokens=500,
                messages=[{
                    "role": "user",
                    "content": f"""Parse and standardize these addresses. {addresses_str} Return JSON array: [{{"original": "...", "country": "...", "city": "...", "street": "...", "building": "...", "apartment": "...", "postal_code": "..."}}] Use null for missing fields."""
                }]
            )
            try:
                import json
                batch_results = json.loads(response.content[0].text)
                results.extend(batch_results)
            except Exception:
                results.extend([{'original': a, 'error': 'parse_failed'} for a in batch])
        return results

    def standardize_companies(self, company_names: list[str]) -> list[dict]:
        """Стандартизация юридических форм компаний"""
        batch = company_names[:20]  # Пакет
        names_str = "\n".join([f"{i+1}. {n}" for i, n in enumerate(batch)])
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=400,
            messages=[{
                "role": "user",
                "content": f"""Standardize company names. Extract legal form and clean name. {names_str} Return JSON: [{{"original": "...", "legal_form": "ООО|ОАО|ИП|Ltd|Inc|...", "clean_name": "name without legal form", "country": "RU|US|..."}}]"""
            }]
        )
        try:
            import json
            return json.loads(response.content[0].text)
        except Exception:
            return [{'original': n} for n in batch]

Нечітка дедуплікація 1M записів: 15-30 хвилин (залежить від середнього розміру блоків). Точність виявлення дублікатів при threshold=0.85: precision ~92%, recall ~88%. LLM-вирішення конфліктів застосовується лише до 5-10% пар (решта об'єднуються автоматично), що робить вартість AI-обробки прийнятною.