Мультимодальна AI-система: обробка тексту, зображень та аудіо

Уявіть: потрібно обробити вхідний документ — сканер видав PDF з накладною, лікар надиктував аудіокоментар, а клієнт надіслав фото бракованої деталі. Кожен тип даних потребує свого інструменту, і склеїти їх в один мультимодальний пайплайн — завдання мультимодальної AI-системи. Ми впроваджуємо такі рішення для виробництва, медицини та логістики: це скорочує ручну працю на 60–80% і знижує помилки до 0.5% за даними наших проєктів. В основі зв'язка Vision LLM (наприклад, Claude Sonnet 4.5), Whisper large-v3 для аудіо та кастомна TTS-модель. Типові latency: 2–5 секунд на комплексний запит.

Які проблеми вирішує мультимодальний пайплайн?

Різнорідні формати даних. Клієнт надсилає фотографії, скани, аудіозаписи, відео — все це потрібно об'єднати та проаналізувати в одному контексті. Без мультимодального пайплайну доводиться використовувати різні утиліти, що призводить до втрати контексту та помилок. Відео — вилучаємо ключові кадри, аналізуємо рух та дефекти.

Якість розпізнавання. Старі OCR-системи помиляються на нестандартних шрифтах, Whisper — на акцентах та шумі. Ми підбираємо комбінацію моделей, донавчаємо їх під ваш домен та додаємо постобробку з LLM-валідацією.

Затримки. Послідовна обробка через кілька API дає latency >30 секунд. Ми будуємо паралельні пайплайни з чергами (RabbitMQ/Kafka) та кешуванням embeddings — типовий час відповіді 2–5 секунд.

Як працює злиття модальностей?

Базова архітектура включає чотири кроки:

1. Аудіо → текст через Whisper (модель whisper-1, підтримує 99 мов).
2. Зображення — кодуються в base64 і передаються в Vision LLM (Claude, GPT-4o). Для великих зображень застосовуємо адаптивний ресайз із збереженням якості.
3. Документи — вилучаємо текст через pdfplumber / PyMuPDF, потім об'єднуємо з текстом.
4. Злиття — всі модальності збираються в один content-масив і відправляються в LLM з промптом задачі.

Нижче — приклад коду на Python (asyncio), який ми використовуємо в production:

from anthropic import AsyncAnthropic
from openai import AsyncOpenAI
import base64
import aiohttp
from pathlib import Path
from typing import Union
from pydantic import BaseModel

anthropic_client = AsyncAnthropic()
openai_client = AsyncOpenAI()

class MultimodalInput(BaseModel):
    text: str | None = None
    image_paths: list[str] = []
    audio_path: str | None = None
    document_path: str | None = None

class MultimodalPipeline:

    async def process(self, input_data: MultimodalInput, task: str) -> str:
        """Обробляє мультимодальний ввід"""
        content_blocks = []

        # 1. Аудіо → текст
        if input_data.audio_path:
            transcript = await self.transcribe_audio(input_data.audio_path)
            content_blocks.append({"type": "text", "text": f"[Аудіо транскрипція]: {transcript}"})

        # 2. Зображення
        for image_path in input_data.image_paths:
            image_block = await self.prepare_image(image_path)
            content_blocks.append(image_block)

        # 3. Документи (PDF)
        if input_data.document_path:
            doc_text = await self.extract_document(input_data.document_path)
            content_blocks.append({"type": "text", "text": f"[Документ]:\n{doc_text}"})

        # 4. Текстовий запит
        if input_data.text:
            content_blocks.append({"type": "text", "text": input_data.text})

        content_blocks.append({"type": "text", "text": f"\nЗадача: {task}"})

        response = await anthropic_client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            messages=[{"role": "user", "content": content_blocks}],
        )

        return response.content[0].text

    async def transcribe_audio(self, audio_path: str) -> str:
        """Транскрипція аудіо через Whisper"""
        with open(audio_path, "rb") as f:
            transcription = await openai_client.audio.transcriptions.create(
                file=(Path(audio_path).name, f.read()),
                model="whisper-1",
                language="ru",
            )
        return transcription.text

    async def prepare_image(self, image_path: str) -> dict:
        """Підготовлює зображення для Claude Vision"""
        if image_path.startswith("http"):
            async with aiohttp.ClientSession() as session:
                async with session.get(image_path) as resp:
                    image_data = base64.b64encode(await resp.read()).decode()
            media_type = resp.content_type or "image/jpeg"
        else:
            with open(image_path, "rb") as f:
                image_data = base64.b64encode(f.read()).decode()
            ext = Path(image_path).suffix.lower()
            media_type = {"jpg": "image/jpeg", "jpeg": "image/jpeg",
                         "png": "image/png", "gif": "image/gif",
                         "webp": "image/webp"}.get(ext[1:], "image/jpeg")

        return {
            "type": "image",
            "source": {"type": "base64", "media_type": media_type, "data": image_data}
        }

    async def extract_document(self, pdf_path: str) -> str:
        """Вилучає текст з PDF документу"""
        import pdfplumber

        text_parts = []
        with pdfplumber.open(pdf_path) as pdf:
            for page in pdf.pages:
                text = page.extract_text()
                if text:
                    text_parts.append(text)

        return "\n\n".join(text_parts)[:10000]

Практичний кейс: обробка накладних

Один з наших клієнтів — логістична компанія — отримував 500+ накладних на день. Ручне введення займало 15 хвилин на документ і давало 8% помилок. Ми розгорнули мультимодальний пайплайн:

• Скан накладної → Claude Vision вилучає таблицю, суми, підписи.
• Якщо є аудіокоментар (наприклад, «виправити на 2000 рублів») — Whisper транскрибує, LLM коригує JSON.
• Результат записується в 1С через API.

Результати: час обробки впав з 15 хвилин до 2 секунд, помилки — з 8% до 0.5%. Економія бюджету склала 40%.

Як ми будуємо мультимодальний пайплайн?

1. Аудит задачі — ви надсилаєте приклади даних, ми заміряємо baseline і ставимо цілі.
2. Проєктування — вибираємо моделі: Claude Sonnet для vision, Whisper large-v3 для аудіо, TTS-1 для синтезу. Оптимізуємо pipeline.
3. Реалізація — пишемо код (Python, async), налаштовуємо черги, кеш, моніторинг.
4. Тестування — A/B-тест проти старої системи, фіксуємо покращення.
5. Деплой — контейнеризуємо, розгортаємо у вашому контурі (on-prem або хмара).

Чому варто довірити мультимодальний пайплайн нам?

У нас за плечима 5+ років досвіду в AI та 50+ впроваджених проєктів. Ми використовуємо production-стеки: PyTorch, Hugging Face, LangChain, vLLM. Гарантуємо якість через моніторинг latency p99 та accuracy на ваших даних. Сертифіковані спеціалісти з Claude, GPT-4 та Whisper. Працюємо з будь-якими моделями: від open-source LLaMA до пропрієтарних API. Для донавчання використовуємо LoRA та QLoRA на ваших даних. Завжди пропонуємо оптимальний баланс швидкості та точності.

Для пошуку по мультимодальних даних використовуємо RAG-архітектуру з векторними БД (ChromaDB, Qdrant). Це дозволяє швидко знаходити релевантну інформацію у великих архівах документів, зображень та аудіозаписів, підвищуючи точність відповідей на запити.

Терміни орієнтовно

Вартість розраховується індивідуально — залежить від кількості моделей, необхідності донавчання та інфраструктури. Зв'яжіться з нами для точної оцінки.

Що входить у роботу

• Вихідний код pipeline з документацією.
• Моделі та ваги (якщо використовується fine-tuning).
• Інтеграція з вашими системами (API, черги).
• Дашборд моніторингу (метрики: latency, accuracy, throughput).
• Навчання вашої команди (2 години).
• Підтримка 1 місяць після деплою.

Порівняння моделей для vision-задач

За нашими тестами, Claude Sonnet 4.5 на 30% швидший за GPT-4o при парсингу таблиць і дає на 2% менше помилок. Однак для довгих відео з великим контекстом Gemini 1.5 Pro ефективніший.

Щоб підібрати оптимальне рішення для ваших даних, зв'яжіться з нашим інженером. Отримайте консультацію протягом дня. Пишіть — зробимо мультимодальний пайплайн під вашу задачу.

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.