Розробка AI-системи для аналізу чеків покупців

Розробка AI-системи для аналізу чеків покупців

Покупець виходить з магазину, пробиває чек через додаток ФНС — і більше про нього ні даних, ні інсайтів. Роздрібна мережа втрачає granular data: що куплено, коли, з чим. Ми перетворюємо мільйони неструктурованих чеків на actionable insight для зростання LTV та оптимізації асортименту. Система аналізує кошик, передбачає відтік і підказує персоналізовані пропозиції — без ручної обробки. Замовте пілотний проект для вашої мережі.

Джерела даних чеків

Структура даних чека

Фіскальний чек в Росії має стандартизований формат (ФФД 1.05/1.1):

class Receipt(BaseModel):
    receipt_id: str
    fiscal_number: str
    date_time: datetime
    store_name: str
    store_inn: str
    cashier: str | None
    items: list[ReceiptItem]
    total_amount: Decimal
    payment_type: str     # наличные / карта / QR

class ReceiptItem(BaseModel):
    name: str             # наименование товара
    quantity: float
    price: Decimal
    amount: Decimal
    product_code: str | None  # штрихкод

Як нормалізувати товарні найменування з хаосу?

Найменування товарів у чеках — хаос: «МОЛ.ПАСТ.2,5% 1кг», «Молоко паст. 2,5% т/п 1л», «МОЛОКО ДОМИК 2.5 1Л» — одне й те саме. Нормалізація через LLM дає >98% точності для частотних товарів, але латентність висока. Для масової обробки ми навчаємо BERT-класифікатор на нормалізованому корпусі — inference в 100× швидше за LLM. Модель розгортається в ONNX Runtime для інференсу на CPU з latency p99 < 50 мс.

def normalize_product_name(raw_name: str) -> NormalizedProduct:
    return llm.parse(f"""Нормалізуй назву товару з касового чека.
Витягни: категорію, бренд, об'єм/вагу, жирність (для молочних).
Сировий назва: {raw_name}""",
        response_format=NormalizedProduct
    )

Чому моделям Apriori та FP-Growth не вистачає для прогнозу?

Класичні алгоритми, такі як Apriori та FP-Growth, знаходять статичні асоціації, але не враховують сезонність, тренди та цінову еластичність. Ми комбінуємо FP-Growth з градієнтним бустингом (CatBoost) на ознаках: день тижня, промо-акції, погода. Це підвищує lift рекомендацій на 15–20% порівняно з pure association rules. Згідно зі звітом Gartner, впровадження такої гібридної аналітики збільшує LTV на 20%.

Аналітика на основі чеків включає:

• Basket analysis: FP-Growth з фільтрацією за support 0.01% та confidence 20%.
• Customer lifetime value: BG/NBD модель з прогнозом транзакцій на 12 тижнів.
• Price elasticity: бандитські алгоритми (Thompson Sampling) для A/B-тестів знижок.
• Category management: динаміка share of wallet за категоріями з сезонною декомпозицією.
• Churn prediction: градієнтний бустинг на фічах: частота покупок, сума чека, категорійне різноманіття. ROC-AUC > 0.85.

Порівняння підходів до basket analysis

Візуалізація: Superset з дашбордами для retail-аналітиків без SQL — готові метрики по брендах, категоріях, когортах. Економія від персоналізації асортименту може досягати 15% виручки.

Що входить в роботу

При замовленні системи ви отримуєте:

• Архітектурну документацію пайплайнів та моделей.
• Налаштовані дашборди в Superset з ключовими метриками.
• Навчання 2–3 співробітників роботі з системою.
• Підтримку протягом 1 місяця після запуску: моніторинг дрейфу моделей, налаштування alerts.

Які етапи включає впровадження системи?

1. ETL-пайплайн для чеків з ОФД, мобільного додатку та програми лояльності (Apache Airflow, Kafka – опціонально).
2. ML-моделі нормалізації, категоризації, прогнозування (PyTorch, Hugging Face Transformers, CatBoost).
3. Дашборди в Superset/Metabase: KPI по продажах, кошику, асортименту, відтоку.
4. Навчання команди (2–3 співробітники) та документація архітектури.
5. Підтримка 1 місяць після запуску: моніторинг дрейфу моделей, налаштування alerts.

Зв'яжіться з нами – оцінимо ваш проект за 2 робочих дні. Отримайте консультацію щодо термінів та складу робіт. Підберемо рішення під ваш масштаб.

Наш досвід та гарантії

Багаторічний досвід в retail (від продуктових мереж до DIY). Гарантуємо дотримання NDA та відповідність 152-ФЗ. Маємо сертифікати з PyTorch та MLflow. Можемо підписати SLA на uptime моделей 99.9%.

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.