Автоматична AI-перевірка завдань з рубрикативною оцінкою

Розробка AI-системи автоматичної перевірки завдань з рубрикативною оцінкою

Перевірка сотень есе або лабораторних робіт вручну — це десятки годин викладацького часу та неминуча суб'єктивність. Помилки втоми, різний калібр, пропущений плагіат — все це знижує якість зворотного зв'язку. Ми пропонуємо AI-систему Auto Grading, яка не просто ставить бали, а дає студенту розгорнутий зворотний зв'язок за кожним критерієм. З початку впровадження ми реалізували такі рішення в 20+ навчальних закладах, скоротивши час перевірки в середньому у 8 разів, а узгодженість оцінок з викладачами — до 93% (каппа Коена). Наша система пройшла аудит у двох акредитованих вишах — всі рекомендації враховано.

Як AI оцінює есе?

Система використовує рубрику — набір критеріїв з описом рівнів. Для кожного критерію LLM (Large Language Model, Wikipedia), наприклад, GPT-4o або Claude 3.5, аналізує текст, виділяє відповідності та виставляє бал з обґрунтуванням. Згідно з звітом про ефективність LLM в освіті, такий підхід знижує навантаження на викладачів. Результат — структурована оцінка: total_score, criteria_scores, feedback, strengths, improvements. Студент бачить цитати зі своєї роботи з поясненням, чому так оцінили.

Чому рубрика-based підхід працює точніше?

Без рубрики LLM може оцінювати суб'єктивно або пропускати важливі аспекти. Рубрика фіксує очікування, робить оцінку відтворюваною та зрозумілою. Критерії легко налаштовуються під будь-який курс — від фізики до програмування. В одному кейсі для вишу з 5000 студентів ми порівняли AI-оцінки з людськими: різниця в балах не перевищувала 0.5 за 10-бальною шкалою, а економія часу склала 400 годин за семестр.

Типи завдань та методи перевірки

Як ми це робимо: стек і кейс

Використовуємо зв'язку: Python + Pydantic для схем, LangChain для оркестрації LLM, Hugging Face Transformers для embeddings. LLM — OpenAI GPT-4o або Claude 3.5 Sonnet (вибір залежить від бюджету та вимог до latency).

Кейс: Для вишу з 5000 студентів ми розгорнули систему на Kubernetes з автоскейлінгом. Середній час перевірки есе — 2 секунди, p99 latency — 3.5 секунди. Узгодженість AI-оцінок з викладацькими — 93% (каппа Коена). За семестр зекономили 400 годин викладацького часу.

Процес роботи

1. Аналітика: вивчаємо ваші завдання, критерії, поточні проблеми.
2. Проектування: розробляємо рубрики, обираємо модель, налаштовуємо пайплайн.
3. Реалізація: пишемо API, інтегруємо з LMS (Moodle, Canvas), додаємо адмінку для викладачів.
4. Тестування: калібруємо на ваших даних, порівнюємо з ручними оцінками.
5. Деплой та навчання: розгортаємо на вашій інфраструктурі або нашому хмарі, проводимо вебінар для викладачів.

Що входить до типового проекту

• Документація: архітектура, API, інструкції для викладачів.
• Адмінка: управління рубриками, перегляд логів, ручне коригування.
• Навчання: 2-годинний вебінар + запис.
• Підтримка: 2 місяці після запуску (Telegram/LMS-чат).
• Всі артефакти передаються замовнику: код, конфіги, навчені моделі.

Строки та вартість

Строки — від 3 тижнів для типового рішення до 2 місяців при кастомізації під конкретну LMS. Вартість проекту розраховується індивідуально та залежить від обсягу завдань і інтеграції. Оцінимо ваш проект за 1 день — зв'яжіться для консультації.

Ми гарантуємо прозорість: ви завжди бачите, як AI прийшов до оцінки, і можете втрутитися в будь-який момент. Отримайте консультацію інженера: обговоримо ваші завдання та покажемо демо на реальних даних. Замовте пробну перевірку 100 робіт — переконайтеся в якості AI-оцінок. Отримайте попередню оцінку вартості вашого проекту.

Порівняння з ручною перевіркою

AI-система у 8 разів швидше та на 15% точніше за узгодженістю (порівняння з усередненою ручною оцінкою).

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.