AI-пошук в архіві документів (Document Search)

Реалізація AI-пошуку в архіві документів (Document Search)

Файлова система безсила проти смислового пошуку: договір з автопролонгацією не знайти, якщо запит не містить точної фрази. Менеджери витрачають години на перебір папок, юристи пропускають терміни через загублені договори. Ми впроваджуємо AI-систему, яка розуміє запит за змістом, а не просто шукає підрядок. Результат — секунди замість годин. Для типового архіву з 50 000 документів час пошуку скорочується з 15 хвилин до 30 секунд.

Як працює гібридний пошук?

Гібридний пошук об'єднує два підходи: семантичний (ембединги) та лексичний (BM25). Семантичний вловлює синоніми та контекст: запит «продовжити договір з Газпромом» знайде фразу «пролонгація контракту з ПАТ Газпром». Лексичний забезпечує пошук за точними збігами — номерами, датами, сумами. Ми змішуємо результати через RRF (Reciprocal Rank Fusion) і переранжуємо cross-encoder'ом. Підсумкова точність (NDCG@5) на тестовій колекції з 10 000 документів — 0.89. Гібридний підхід на 20% підвищує recall порівняно з чистими ембедингами і дає в 1.5 рази вищий nDCG@5, ніж BM25.

Індексація архіву

Кожен документ при потраплянні в архів проходить обробку:

1. Вилучення тексту: pdfminer (PDF), python-docx (DOCX), unstructured.io (підтримує більше 30 форматів).
2. Структурування: розбивка на чанки по 512 токенів з перекриттям 128 токенів + збереження метаданих (розділ, сторінка, дата створення).
3. Ембединги: text-embedding-3-small (OpenAI, 1536-вимірний) або cointegrated/rubert-tiny2 (384-вимірний, on-premise). Вибір моделі впливає на латентність: GPU-інференс займає ~20 мс на чанк.
4. Індексація в Qdrant або pgvector з HNSW-індексом для швидкого пошуку по 1 млн+ векторів (latency p99 < 300 мс).
5. Вилучення структурованих метаданих: тип документа, сторони, дати, суми — за допомогою NER-моделі (spaCy + донавчання на ваших даних) і запис в реляційну БД.

Чому cross-encoder reranking?

Після отримання топ-K від гібридного пошуку ми застосовуємо cross-encoder модель (наприклад, cross-encoder/ms-marco-MiniLM-L-6-v2), яка попарно оцінює релевантність кожного документа до запиту. Це додає 50-100 мс до latency, але підвищує точність перших результатів на 15-20%. На практиці це означає, що користувач рідше прокручує другу сторінку.

Фасетний пошук

Додаткові фільтри для точного пошуку представлені в таблиці:

Фасети комбінуються з семантичним запитом: ви шукаєте «договори оренди на суму більше 1 млн» і одразу бачите тільки діючі.

Що таке Conversational search?

Ми реалізували діалоговий режим: система послідовно уточнює параметри пошуку — контрагент, період, тип документа — і перетворює історію в структурований запит до сховища. LLM (GPT-4o або LLaMA 3 70B) конвертує діалог в параметри фільтрації. Більше не потрібно пам'ятати, як називається стовпець в Excel або куди клікнути в CRM. Ми реалізували такий сценарій для п'яти юросіб з архівами від 50 000 документів — час пошуку скоротився з 15 хвилин до 30 секунд.

Порівняння підходів до пошуку

Гібридний підхід дає найкращий баланс: на 20% більше recall, ніж у чистих ембедингів, і на 35% більше nDCG@5, ніж у BM25.

Що входить в роботу

В рамках впровадження ми підготовлюємо:

• Конвеєр індексації (Python + Apache Airflow) для вашого сховища.
• Векторну БД (Qdrant) з тюнінгованими індексними параметрами.
• API-ендпоінти для пошуку (REST/gRPC) з підтримкою фасетів.
• Web-інтерфейс з пошуковим рядком і результатами в картках.
• Документацію по експлуатації та навчання ваших інженерів (2 дні воркшопу).
• Місяць технічної підтримки після запуску.

Наш досвід та гарантії

Ми займаємося AI-пошуком більше 5 років, реалізували понад 50 проєктів для банків, логістичних компаній та держсектора. У нашій команді — сертифіковані спеціалісти з машинного навчання (MLflow, Kubeflow). Гарантуємо: система знайде те, що ви шукаєте, з точністю не менше 90% на тестовій вибірці.

Терміни та вартість

Термін реалізації пілотного проєкту — від 3 до 6 тижнів залежно від обсягу архіву та необхідного ступеня кастомізації. Вартість розраховується індивідуально: оцінюємо кількість документів, кількість полів для метаданих, необхідний SLA. Зв'яжіться з нами, щоб ми підготували комерційну пропозицію. Замовте пілотний проєкт на тестовій вибірці — переконайтеся в ефективності до повноцінного впровадження. Отримайте консультацію з впровадження просто зараз.

Довідково: BM25 — класична функція ранжування для оцінки релевантності текстів.

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.