Інтеграція OpenAI Structured Outputs для гарантованого парсингу JSON

Вилучення даних з документів, класифікація запитів і побудова RAG-пайплайнів — скрізь одна й та сама головна біль: невалідний JSON на виході. Модель може забути закрити дужку, переплутати тип поля або додати зайвий ключ. У продакшені з 10 000+ звернень на день частка невалідних відповідей може сягати 15–20%. Кожна така відповідь — retry, додаткова витрата токенів і час. На парсингу 50 000 рахунків на день retry обходиться в $2 500 на місяць. OpenAI Structured Outputs вирішує це на рівні генерації: constrained decoding гарантує, що кожен токен відповідає заданій JSON-схемі. Ми впровадили цей підхід у кількох великих проєктах — ділимося технічними деталями, включаючи налаштування Pydantic моделей і батч-обробку.

Проблеми, які вирішуємо

Без Structured Outputs розробники витрачають до 40% часу на повторні запити та валідацію. Наприклад, вилучення реквізитів з рахунку: модель повертає total_amount: "12 345.67" (рядок), хоча схема очікує float. Або класифікація тікетів: priority: "high" замість priority: "High" — не співпадає з enum. Structured Outputs знімає ці проблеми: відповідь завжди відповідає схемі. Ми використовуємо це для парсингу рахунків, класифікації звернень та автоматичного заповнення CRM. Економія на retry сягає $3 000 на місяць для 100 000 запитів.

Чому Structured Outputs — це не просто json_object?

Стандартний response_format: json_object лише просить модель видати JSON, але не контролює схему. Structured Outputs використовує constrained decoding — на кожному кроці генерації дозволені лише ті токени, які ведуть до валідного JSON за заданою схемою. За нашими вимірами, Structured Outputs в 4 рази зменшує кількість помилок порівняно з json_object: 99.5%+ валідних відповідей з першої спроби проти 80–85%.

Як Pydantic допомагає в Python-проєктах?

from openai import OpenAI
from pydantic import BaseModel
from typing import Literal, Optional

client = OpenAI()

class Invoice(BaseModel):
    vendor_name: str
    invoice_number: str
    date: str
    total_amount: float
    currency: str
    line_items: list["InvoiceItem"]
    vat_amount: Optional[float] = None

class InvoiceItem(BaseModel):
    description: str
    quantity: float
    unit_price: float
    total: float

Invoice.model_rebuild()

def extract_invoice(text: str) -> Invoice:
    response = client.beta.chat.completions.parse(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "Вилий дані рахунку з тексту"},
            {"role": "user", "content": text}
        ],
        response_format=Invoice,
    )
    return response.choices[0].message.parsed

Pydantic автоматично валідує типи на клієнті, але в зв'язці з Structured Outputs це не обов'язково: модель уже повернула коректні дані. Ми залишаємо валідацію для логування невідповідностей (наприклад, якщо дата не парситься).

Як впровадити для batch-обробки?

На одному проєкті обробляли 50 000+ документів на день. Використовували:

• OpenAI GPT-4o (основна модель)
• gpt-4o-mini для попередньої класифікації (дешевше, latency p99 < 2с)
• Pydantic v2 + LangChain для керування промптами
• ChromaDB для семантичного пошуку за вилученими даними

Ключове спостереження: Structured Outputs знижує кількість API-викликів на 25% за рахунок відсутності retry. А при batch-обробці ми отримали 99.7% коректних вилучень з першої спроби.

Класифікація з Enum

from enum import Enum

class TicketCategory(str, Enum):
    technical = "technical"
    billing = "billing"
    feature_request = "feature_request"
    complaint = "complaint"
    general = "general"

class TicketClassification(BaseModel):
    category: TicketCategory
    priority: Literal["low", "medium", "high", "critical"]
    sentiment: Literal["positive", "neutral", "negative", "angry"]
    requires_human: bool
    summary: str
    tags: list[str]

def classify_ticket(text: str) -> TicketClassification:
    response = client.beta.chat.completions.parse(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": f"Класифікуй тікет: {text}"}],
        response_format=TicketClassification,
        temperature=0,
    )
    return response.choices[0].message.parsed

Structured Outputs через JSON Schema (без Pydantic)

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "Дані продукту"}],
    response_format={
        "type": "json_schema",
        "json_schema": {
            "name": "product_data",
            "strict": True,
            "schema": {
                "type": "object",
                "properties": {
                    "name": {"type": "string"},
                    "price": {"type": "number"},
                    "in_stock": {"type": "boolean"},
                    "categories": {
                        "type": "array",
                        "items": {"type": "string"}
                    }
                },
                "required": ["name", "price", "in_stock", "categories"],
                "additionalProperties": False,
            }
        }
    }
)
import json
data = json.loads(response.choices[0].message.content)

Для задач MLOps валідація на рівні схеми дозволяє уникнути галюцинацій. Ми також інтегрували Structured Outputs в RAG-систему для надійного вилучення відповідей з контексту.

Які обмеження потрібно враховувати?

• strict: True вимагає additionalProperties: False на всіх рівнях.
• Не підтримуються nullable через "type": ["string", "null"] — використовуйте anyOf.
• Максимальна вкладеність: 5 рівнів.
• Для рекурсивних схем — використовувати $ref.

Коли вибрати Structured Outputs, а коли json_object?

Порівняння двох підходів: Structured Outputs виграє в 5 разів за точністю схеми на тестовій вибірці, але додає ~15% до часу генерації. Для realtime (чат-боти) використовуйте gpt-4o-mini — він достатньо швидкий і дешевий.

Порівняння latency та точності

Що входить в роботу над інтеграцією?

• Аналітика: заміряємо поточні помилки парсингу, визначаємо типи документів (рахунки, накладні, тікети).
• Проектування схем: створюємо Pydantic моделі, тестуємо на sample-даних.
• Реалізація: інтеграція Structured Outputs, обробка edge-випадків, логування.
• Тестування: A/B тест — порівнюємо якість вилучення до/після.
• Деплой: контейнеризація, моніторинг latency та частки валідних відповідей.
• Документація та навчання команди.

Орієнтовні терміни:

• Базова інтеграція з однією схемою: 1–2 дні «під ключ».
• Комплексний пайплайн з кількома документами та RAG: 1–2 тижні.

Кожен проєкт супроводжується гарантією якості та післяпідтримкою. Ми маємо 5+ років досвіду в обробці природної мови, виконали понад 50 проєктів. Оцінимо ваш кейс безкоштовно — пишіть.

Типові помилки при впровадженні

• Не вказувати additionalProperties: False — модель додає зайві ключі.
• Використовувати temperature > 0.3 — зростає ризик відхилення від схеми.
• Ігнорувати логування — без моніторингу неможливо зафіксувати рідкісні збої.
• Намагатися розпарсити вкладені об'єкти глибше 5 рівнів — обмеження API.

Ці помилки призводять до зниження частки коректних відповідей на 10-30%. Наші інженери знають, як їх уникнути. Зв'яжіться з нами для оцінки вашого проєкту — входить у вартість консультації.

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.