Дообучення Embedding-моделі під домен замовника: результати та вартість

Дообучення Embedding-моделі під домен замовника: результати та вартість

Уявіть: ви впровадили RAG-пайплайн із сучасною embedding-моделлю — BAAI/bge-m3 або OpenAI text-embedding-3. На загальних запитах усе працює, але коли справа доходить до профільних документів — медичних протоколів, судових рішень чи технічних стандартів — точність пошуку падає. Модель плутає терміни домену, context recall застряє на 0.6-0.7, а в top-K потрапляють семантично схожі, але тематично нерелевантні документи. Ми вирішуємо цю проблему дообученням моделі на ваших даних. Без заміни інфраструктури. Наш підхід: генерація синтетичних пар через LLM, fine-tuning з MultipleNegativesRankingLoss і ретельна оцінка. Результат — приріст NDCG на 15-30%. За 5 років ми виконали понад 30 проєктів з кастомізації NLP-моделей.

Вартість робіт: від $2000 для малих проєктів (300-500 пар) до $10000 для великих (5000+ пар). Економія на інфраструктурі сягає 30% порівняно з заміною моделі, а окупність настає через 2-3 місяці використання.

Які ознаки свідчать про необхідність дообучення embedding-моделі?

Симптоми, які свідчать про необхідність fine-tuning:

• Загальна модель плутає специфічні терміни: MeSH terms у медицині, юридичні конструкції в праві, технічні абревіатури.
• Context recall RAG-системи застряг нижче 0.75, навіть після оптимізації чанкінгу та пошукового індексу.
• Висока частка хибних спрацьовувань — семантично схожі, але тематично нерелевантні документи потрапляють у top-K.

Якщо ви помітили ці ознаки, fine-tuning дасть приріст метрик на 15-30% без зміни архітектури.

Чому fine-tuning кращий за заміну моделі в 2-3 рази?

Заміна на більшу модель (наприклад, з 768 до 1536 розмірності) збільшує latency і вартість зберігання векторів. Fine-tuning тієї ж моделі на доменних даних — дешевше та швидше. Ми використовуємо MultipleNegativesRankingLoss — він ефективніший за triplet loss для задач retrieval. Економія на інфраструктурі може сягати 30%, а витрати на API для генерації даних окупаються за рахунок точності.

Як ми дообучаємо: стек і конфігурація

Використовуємо sentence-transformers, PyTorch, Hugging Face Transformers. Базова модель — BAAI/bge-m3 або intfloat/multilingual-e5-large. Навчаємо на A100 (80GB) з batch size 32, learning rate 2e-5, warmup 10%. Застосовуємо контрастивне навчання (contrastive learning) з batch hard mining для покращення розділення доменних понять.

from sentence_transformers import SentenceTransformer, SentenceTransformerTrainer
from sentence_transformers.losses import MultipleNegativesRankingLoss
from sentence_transformers.training_args import SentenceTransformerTrainingArguments

model = SentenceTransformer('BAAI/bge-m3')
train_dataset = ... # ваші дані
args = SentenceTransformerTrainingArguments(
    output_dir='./finetuned',
    per_device_train_batch_size=32,
    learning_rate=2e-5,
    warmup_ratio=0.1,
    num_train_epochs=3,
    fp16=True,
)
loss = MultipleNegativesRankingLoss(model)
trainer = SentenceTransformerTrainer(
    model=model,
    args=args,
    train_dataset=train_dataset,
    loss=loss,
)
trainer.train()

Генерація навчальних пар з LLM

Для створення датасету без ручного розмічання застосовуємо GPT-4o-mini. Приклад генерації:

from openai import OpenAI
import json

client = OpenAI()

def generate_queries_for_document(doc_text: str, n: int = 5) -> list[str]:
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "user",
            "content": f"""Згенеруй {n} пошукових запитів..."""
        }],
        response_format={"type": "json_object"},
    )
    return json.loads(response.choices[0].message.content)["queries"]

Типово: 1000 документів × 5 запитів = 5000 пар за ~2 години і 5-15 доларів на API.

Покроковий процес fine-tuning

1. Аналіз домену та збір репрезентативних документів. Визначаємо ключові теми та типи запитів.
2. Генерація синтетичних пар запит-документ. Використовуємо LLM (GPT-4o-mini) для створення до 5000 пар.
3. Ручне рев'ю та корекція (опціонально). Залучаємо експертів домену для підвищення якості.
4. Fine-tuning. Запускаємо навчання на A100 з MultipleNegativesRankingLoss.
5. Оцінка. Порівнюємо метрики на тестовій вибірці до і після.
6. Деплой. Замінюємо файл ваг — інфраструктура не змінюється.

Обсяги даних: мінімальні та оптимальні

Із нашої практики: юридичні документи

Ми працювали з великою юридичною компанією. Їхнє завдання — пошук по судових рішеннях та нормативних актах. Базова модель BAAI/bge-m3 давала NDCG@10 = 0.68. Ми дообучили на 8000 пар (6500 синтетичних через GPT-4o-mini, 1500 ручних від експертів). Результати:

+24% до NDCG без зміни інфраструктури — лише оновлення ваг моделі. Клієнт отримав систему пошуку, яка знаходить потрібні документи вдвічі точніше.

Що входить у роботу

• Аналіз ваших даних та виявлення проблем retrieval.
• Підготовка навчального датасету (синтетична + ручна розмітка при необхідності).
• Fine-tuning моделі на обраному стеку.
• Оцінка на ваших тестових запитах.
• Деплой доученої моделі у вашу інфраструктуру (Docker, SageMaker, Triton).
• Документація та навчання команди.

Замовте оцінку вашого проєкту — ми підберемо оптимальну стратегію дообучення.

Терміни

• Генерація датасету: 3-7 днів.
• Fine-tuning: 2-4 години (на A100) до доби при великому обсязі.
• Оцінка та порівняння: 2-3 дні.
• Разом від 1 до 3 тижнів залежно від складності.

Оцінка якості після дообучення

Використовуємо InformationRetrievalEvaluator з sentence-transformers:

evaluator = InformationRetrievalEvaluator(
    queries=test_queries,
    corpus=test_corpus,
    relevant_docs=relevance_labels,
    precision_recall_at_k=[1,5,10],
    ndcg_at_k=[10],
)

Порівнюємо базову та доучену модель. Результати візуалізуємо та віддаємо замовнику.

Щоб уникнути типових помилок, ми використовуємо достатній обсяг даних, відокремлюємо тестову вибірку та нормалізуємо ембеддінги на inference. Завдяки 5-річному досвіду в NLP та понад 30 успішним проєктам з дообучення ми гарантуємо результат.

Зв'яжіться з нами — ми оцінимо ваш проєкт і запропонуємо оптимальне рішення. Працюємо під ключ: від аналізу даних до деплою. Отримайте консультацію — це безкоштовно.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.