Дообучення (Fine-Tuning) мовної моделі GigaChat

Ми часто бачимо проєкти, де базова GigaChat видає загальні відповіді на корпоративні запити. Fine-tuning вирішує цю проблему: модель починає розуміти внутрішні регламенти, термінологію та контекст. Але процес вимагає глибокого розуміння архітектури та обмежень екосистеми Сбера. Наприклад, одна страхова компанія попросила нас адаптувати асистента під свою лінійку продуктів. Базова модель плутала умови КАСКО та ОСАГО, що призводило до помилок у рекомендаціях. Після дообучення точність відповідей досягла 95%. Але це потребувало ретельної підготовки: розмітки 1200 діалогів, балансування тематик і трьох ітерацій навчання. Ми використовуємо LoRA-адаптери для економії ресурсів — це знижує вартість GPU-годин у 2–3 рази порівняно з повним fine-tuning. Бюджет проєкту розраховується індивідуально залежно від обсягу даних.

Згідно з документацією Сбер Cloud, fine-tuning дозволяє адаптувати модель під конкретну предметну область.

На прикладі банківського асистента розберемо, як підготувати дані, запустити навчання та інтегрувати дообучену модель. Наші інженери мають 10+ років досвіду в NLP та MLOps, що гарантує результат.

Чому варто дообучати GigaChat для корпоративних завдань?

Стандартна модель дає загальні відповіді. Fine-tuning закриває три ключові проблеми: контекстна точність (модель засвоює внутрішні регламенти та терміни компанії, що критично для банків з їх нормативною базою), зниження галюцинацій (дообучення на ваших даних зменшує ймовірність вигаданих фактів — за нашими даними, частота помилок падає на 30–50%) та безпека (всі дані залишаються в контурі Сбер Cloud, що відповідає вимогам 152-ФЗ для банків та держструктур).

Порівняємо з альтернативами: YandexGPT теж доступний у корпоративному fine-tuning, але GigaChat дає глибшу інтеграцію з екосистемою Сбера. Llama при self-hosted потребує самостійної інфраструктури, але не прив'язаний до вендора.

Як підготувати дані для fine-tuning GigaChat?

GigaChat API доступний через платформу Сбер Cloud. Для fine-tuning потрібен корпоративний договір та тариф Enterprise. Аутентифікація — через OAuth 2.0:

import requests
import base64

credentials = base64.b64encode(
    f"{client_id}:{client_secret}".encode()
).decode()

response = requests.post(
    "https://ngw.devices.sberbank.ru:9443/api/v2/oauth",
    headers={
        "Authorization": f"Basic {credentials}",
        "RqUID": "unique-request-id",
    },
    data={"scope": "GIGACHAT_API_CORP"}
)
access_token = response.json()["access_token"]

Отриманий токен використовується для всіх подальших запитів. Для навчання необхідно завантажити датасет у форматі JSON Lines, де кожен приклад — діалог з ролями system, user, assistant:

{
  "messages": [
    {
      "role": "system",
      "content": "Ти — асистент страхової компанії. Допомагаєш клієнтам розібратися з умовами страхових продуктів."
    },
    {
      "role": "user",
      "content": "Що входить у страхове покриття по КАСКО при ДТП з вини третьої особи?"
    },
    {
      "role": "assistant",
      "content": "При ДТП з вини третьої особи за полісом КАСКО покриваються: збиток від зіткнення незалежно від винуватця, вартість відновлювального ремонту..."
    }
  ]
}

Для якісного навчання потрібно мінімум 1000 діалогів, краще 3000+. Важливо деперсоналізувати дані, збалансувати тематики (не більше 15% на одну категорію) та розмітити складні кейси.

Практичний приклад: асистент для банківського чат-бота

Завдання: дообучення GigaChat Pro для обробки вхідних звернень у роздрібний банк — відповіді на питання щодо продуктів, маршрутизація складних запитів до операторів.

Датасет: 3500 діалогів з реальної переписки (знеособленої), що охоплюють 45 тематик (кредити, вклади, картки, перекази, спори за операціями).

Етапи підготовки:

1. Вилучення діалогів з CRM.
2. Деперсоналізація.
3. Фільтрація діалогів з негативним результатом.
4. Розмітка складних кейсів.
5. Балансування за тематиками.

Результати:

• CSAT (задоволеність клієнта відповіддю бота): з 3.2 до 4.1 з 5.
• Відсоток коректних маршрутизацій: з 71% до 94%.
• Зниження escalation rate: з 61% до 38%.
• Середній час діалогу зменшився на 22%.

Які обмеження врахувати?

Закриті ваги: як і GPT-4o, ви отримуєте hosted endpoint без доступу до ваг. Інфраструктурна прив'язка: лише Сбер Cloud, немає on-premise деплою. Корпоративний поріг: fine-tuning недоступний на безкоштовних тарифах. Розмір контексту: 32K токенів — менше, ніж у Qwen2.5 або Claude 3.5 Sonnet.

Порівняння зі суміжними рішеннями

Що входить у проєкт

Ми пропонуємо повний цикл робіт:

• Аудит задачі — оцінюємо дані, формулюємо метрики, визначаємо план навчання.
• Підготовка датасету — деперсоналізація, розмітка, балансування.
• Запуск fine-tuning — ітеративне навчання з моніторингом метрик.
• Тестування — A/B-тестування на реальних діалогах.
• Інтеграція та підтримка — налаштування API endpoint, документація, навчання операторів.

Ми гарантуємо якість та надаємо сертифікати на виконані роботи. Замовте безкоштовний аудит ваших даних — ми оцінимо можливість fine-tuning за 2 дні. Бюджет проєкту розраховується індивідуально. Зв'яжіться з нами для консультації.

Терміни проєкту

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.