AI-вилучення даних з договорів: система для юристів

Юристи витрачають години на ручний розбір договорів: OCR плутає «ІНН» з «ІНК», строки прописані прописом, а таблиці з сумами розкидані по 50 сторінках. Ми створили AI-систему на базі LLM (GPT-4o, Claude 3.5), яка вилучає структуровані дані за секунди. Понад 30 проектів з юридичної обробки документів дозволили відточити промпти та валідатори до точності 95%+ на стандартних полях. Наш підхід використовує гібридну архітектуру: детерміновані алгоритми для реквізитів (сторони, дати, номери) та LLM для семантичного аналізу предмета та нестандартних умов. Це дозволяє обробляти навіть скани з помилками розпізнавання — ми компенсуємо їх через контекстні підказки та валідацію за зовнішніми реєстрами.

Для підвищення точності на рідкісних шаблонах застосовуємо fine-tuning LoRA на ваших даних. Це знижує кількість галюцинацій (hallucination) на 30% порівняно з zero-shot підходом. Context window в 128K токенів покриває до 50 сторінок тексту — цього достатньо для більшості договорів.

Чому валідація даних критична?

ІНН: валідація через контрольну цифру, ОГРН — checksum validation. Суми в цифрах і словах повинні збігатися. Дата початку не може бути пізніше дати закінчення. Назви сторін звіряємо з реєстром ФНС по ІНН. Поля з низькою впевненістю позначаються для ручної перевірки. Ручний ввід дає точність близько 85%, наша система — 95%+ при якісному скан. Додатково використовуємо RAG (Retrieval-Augmented Generation) для пошуку релевантних умов у довгих документах — це знижує навантаження на LLM та підвищує точність вилучення предмета договору.

Як ми обробляємо довгі договори?

Договори на 30–50 сторінок не поміщаються в контекстне вікно. Стратегія:

• Детерміноване вилучення реквізитів з преамбули (сторони, номер, дата) — regex
• LLM для предмета договору та нестандартних умов — тільки релевантні секції
• Окремий промпт для фінансових умов (шукаємо в секції «Ціна та порядок оплати»)
• Chunking з перекриттям для обробки великих обсягів та подальша агрегація результатів

Порівняння підходів до вилучення

AI-вилучення в 30 разів швидше ручного вводу і дає на 10% більше точності по стандартних полях. Для компанії з потоком 500 договорів на місяць економія часу досягає 150 годин, що відповідає скороченню витрат на 1-2 співробітників.

Точність вилучення за типами полів

Що таке RAG і навіщо він потрібен?

RAG (Retrieval-Augmented Generation) дозволяє звертатися до зовнішньої бази знань при генерації відповіді. У нашому pipeline це означає: спочатку з договору вилучаються релевантні секції за допомогою vector search (embeddings 1536-dim), потім LLM формує відповідь тільки на їх основі. Це зменшує контекст, знижує latency p99 та виключає галюцинації на нерелевантних даних.

Процес роботи

1. Аналіз — вивчаємо ваші договори (типові та винятки), визначаємо поля для вилучення.
2. Проектування — обираємо стек (LLM, методи парсингу, валідація).
3. Реалізація — пишемо pipeline, тестуємо на вибірці 50+ документів.
4. Інтеграція — підключаємо до CRM/ERP через REST API або Webhook.
5. Деплой — запускаємо у вашому контурі (on-premise або хмара).

Що входить в роботу

• Модель — налаштований промпт під ваш тип договорів.
• Валідатори — контрольні суми ІНН/ОГРН, звірка з ФНС, логічні перевірки.
• API — документація, ендпоінти, приклади запитів.
• Навчання — інструктаж ваших юристів (1 година).
• Гарантія — 3 місяці підтримки після впровадження.

Строки та як почати

Оцінимо ваш проект за 1–2 дні — просто зв'яжіться з нами. Базове впровадження займає від 5 робочих днів, складна кастомізація — до 3 тижнів. Вартість розраховується індивідуально під обсяг документів та кількість необхідних полів. Типовий проект окупається за 3–4 місяці за рахунок скорочення ручної праці. Замовте консультацію для оцінки ваших документів та отримайте демонстрацію системи на реальних прикладах.

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.