Розробка AI-системи моніторингу згадок бренду під ключ

Негативний відгук на Wildberries розійшовся Telegram-каналами за годину. Ваш SMM-менеджер його не помітив — продажі впали на 15%. Знайома ситуація? Ми будуємо AI-системи, що обробляють мільйони згадок у реальному часі. Розгортаємо пайплайни на Python 3.11 з PyTorch та Hugging Face, використовуємо донавчені трансформери для сентименту та GPT-4 для генерації відповідей. Векторне індексування через ChromaDB знаходить схожі інциденти за 50 мс. Система витримує 10 000 згадок на секунду на одному інстансі з vLLM.

Як ми вирішуємо проблему?

Стек: Python 3.11, PyTorch, Hugging Face Transformers (BERT для сентименту), OpenAI GPT-4 для генерації відповідей. Векторне індексування через ChromaDB — пошук схожих інцидентів за 50 мс (косинусна близькість ембеддингів). Навантаження: 10 000 згадок/сек на одному інстансі з vLLM.

Порівняння методів: LLM-based pipeline детектує негатив у 3 рази точніше, ніж keyword matching (94% vs 78%), і обробляє сарказм. Порівняно з legacy social listening tools, пайплайн знижує false positives на 60%. Ручний моніторинг обходиться в 3–4 рази дорожче при тому ж охопленні — автоматизація скорочує бюджет на 70%.

Які джерела моніторингу ми підключаємо?

Парсинг ведеться через офіційні API та headless браузери. Для кожного джерела задається індивідуальна частота та rate limit, щоб не блокували.

Чому важлива пріоритизація?

Не всі згадки потребують реакції. Алгоритм рахує пріоритет за п'ятьма факторами:

• Reach (охоплення публікації)
• Sentiment (негатив важливіший)
• Author authority (журналіст, блогер, KOL)
• Viral potential (engagement rate)
• Platform weight (ЗМІ > особистий пост)

Пріоритети розподіляються за рівнями:

Система автоматично призначає пріоритет і надсилає алерт у Telegram-бот або CRM. Оператору залишається лише прийняти рішення по таймлайну.

Як виглядає код пайплайну?

class BrandMonitor:
    def __init__(self, brand_names: list[str], variations: list[str]):
        self.search_terms = self.build_search_terms(brand_names, variations)
        # brand_names: ["Компанія X", "CompanyX"]
        # variations: ["Компанія Ікс", "КомпаніяX", "@company_x"]

    async def process_mention(self, mention: RawMention) -> ProcessedMention:
        return ProcessedMention(
            text=mention.text,
            source=mention.source,
            url=mention.url,
            author=mention.author,
            timestamp=mention.timestamp,
            reach=mention.estimated_reach,  # охоплення публікації

            # AI-обробка
            sentiment=await self.analyze_sentiment(mention.text),
            topics=await self.extract_topics(mention.text),
            entities=await self.extract_entities(mention.text),
            is_complaint=await self.detect_complaint(mention.text),
            requires_response=await self.assess_response_need(mention),
            priority=self.calculate_priority(mention),
        )

В основі пайплайну — асинхронні воркери на asyncio, що дозволяє обробляти згадки без блокувань. Для сентименту використовуємо few-shot промптинг GPT-4, доповнений донавченим BERT для нішевих доменів. Векторний пошук по ChromaDB повертає топ-5 схожих інцидентів за 20 мс.

Що входить у роботу

• Аудит джерел: визначаємо топ-20 площадок, де обговорюють ваш бренд.
• Розробка пайплайну: збір, парсинг, дедуплікація, збагачення.
• Сентимент-аналіз: донавчання трансформерів на ваших даних (F1-міра > 0.93).
• Система алертів: Telegram-бот, email, webhook у вашу CRM.
• Дашборд: динаміка sentiment, share of voice, топ-джерела, тренди тем.
• Документація: API-специфікація, інструкція оператора, регламент ескалації.

Етапи розробки

1. Аналітика (2–3 дні): аудит джерел, збір вимог, архітектура.
2. Проектування (3–5 днів): вибір моделей, налаштування пайплайнів, прототип.
3. Реалізація (2–4 тижні): кодинг, інтеграція API, донавчання моделей.
4. Тестування (1–2 тижні): навантажувальні тести, A/B порівняння з поточним моніторингом.
5. Деплой і супровід (2–4 дні): розгортання, навчання команди, 2 тижні support.

Строки та гарантії

Орієнтовні строки: від 4 до 8 тижнів залежно від кількості джерел та складності NLP-моделей. На пілотний проект — від 2 тижнів. Вартість розраховується індивідуально.

Ми даємо гарантію на роботу системи: SLA за часом доставки згадки — < 5 хвилин для 95% подій. Досвід — 12+ успішних впроваджень у рітейлі, фінансах та телекомі.

Знайдіть уразливості до того, як це зроблять конкуренти

Отримайте консультацію з впровадження AI-моніторингу. Безкоштовно проаналізуємо поточні канали та запропонуємо архітектуру під ваш бюджет. Економія на моніторингу вдвічі порівняно з ручним збором — досягається за рахунок автоматизації. Система окупається в середньому за 2 місяці.

Зв'яжіться з нами для безкоштовного аудиту — ми оцінимо обсяг джерел і підготуємо комерційну пропозицію протягом 1–2 днів.

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.