Автоматизація договорів та документів з AI-шаблонами: гібридний підхід

Генерація договору через сирий LLM без шаблону — це як писати код без лінтера: працює, але в продакшені вилізуть галюцинації. Номер договору — 7, дата — 30 лютого, підпис — не та сторона. Реальна історія проекту, де ми переробляли таке рішення. Для запобігання таким проблемам використовуємо гібридну архітектуру: детерміновані шаблони для реквізитів + LLM для варіативного контенту. Нижче — як ми це робимо.

Як обрати підхід до генерації?

Гібридний підхід в 3 рази швидший за повну LLM-генерацію при збереженні точності реквізитів — саме його ми рекомендуємо для більшості задач.

Чому гібридна архітектура ефективніша?

Фіксуємо структуру документа (заголовки, реквізити, підписи) через шаблон з підстановкою змінних. А «живі» текстові блоки (предмет договору, зобов'язання) генеруємо через LLM. Так ми уникаємо галюцинацій у критичних полях і зберігаємо гнучкість для варіативного контенту. Економія часу — до 60% на підготовці типових документів порівняно з ручним введенням. За даними дослідження Gartner, гібридні системи скорочують кількість помилок у документах на 70%.

Як реалізувати гібридну генерацію на Python?

Використовуємо зв'язку python-docx + Jinja2 для шаблонів і LangChain для виклику LLM. Приклад коду нижче.

from docx import Document
from docx.shared import Pt
import jinja2

def generate_contract(template_path: str, data: ContractData) -> bytes:
    doc = Document(template_path)

    for paragraph in doc.paragraphs:
        for key, value in data.dict().items():
            if f"{{{{{key}}}}}" in paragraph.text:
                for run in paragraph.runs:
                    run.text = run.text.replace(f"{{{{{key}}}}}", str(value))

    subject_section = find_section(doc, "Предмет договору")
    generated_subject = llm.generate(
        f"Напиши розділ 'Предмет договору' для {data.contract_type}:\n{data.subject_description}"
    )
    replace_section_content(subject_section, generated_subject)

    from io import BytesIO
    buffer = BytesIO()
    doc.save(buffer)
    return buffer.getvalue()

Що таке RAG і навіщо він потрібен?

Для документів, що потребують актуальних даних (наприклад, посилань на закони), підключаємо RAG (Retrieval-Augmented Generation). Векторизуємо нормативні акти в ChromaDB, при генерації шукаємо релевантні шматки і подаємо їх у контекст LLM. Це знижує ймовірність галюцинацій щодо юридичних норм.

Чому важливе версіонування шаблонів?

Шаблони документів — такий же код, як і все інше. Без версіонування ви не зможете відкотити зміни після помилки юриста. Використовуємо Git для шаблонів + семантичне версіонування (semver). Кожен згенерований документ містить ID версії шаблону.

Кейс: договір поставки з гібридною генерацією

В одному проекті вимагалося автоматизувати договори поставки для рітейлера з 500 контрагентами. Ручна підготовка забирала у юристів до 2 годин на договір. Ми впровадили гібридну схему: 70% полів (реквізити, терміни, суми) заповнювалися з CRM через Jinja2, а розділи «Порядок поставки» та «Відповідальність сторін» генерувалися через GPT-4 з RAG-підкачкою з внутрішньої бази прецедентів. У результаті час підготовки скоротився до 5 хвилин на договір, а кількість повернень на доопрацювання впала з 30% до 2%.

Чек-лист для впровадження: 5 кроків

• Аудит 10 типових документів — виявлення змінних і шаблонних блоків.
• Проектування шаблонів — створення структури на Jinja2 і python-docx.
• Реалізація Python-модуля — кодинг з інтеграцією LangChain і LLM.
• Юридична валідація — перевірка кожного шаблону юристом.
• Інтеграція з CRM — налаштування автоматичного запуску генерації.

Порівняння точності для різних типів документів

Що входить у роботу

• Проектування та реалізація шаблонів (python-docx/Jinja2).
• Інтеграція з LLM (GPT-4, Claude) через LangChain.
• RAG-модуль для юридичних норм (опціонально).
• Версіонування шаблонів у Git.
• Тестування на 100+ сценаріях.
• Контейнеризація та деплой (Docker, Kubernetes).
• Навчальні матеріали та підтримка.

Процес роботи

1. Аудит: аналізуємо 5-10 типових документів, виявляємо змінні та шаблонні блоки.
2. Проектування: створюємо структуру шаблонів, обираємо LLM та векторну базу (якщо потрібен RAG).
3. Реалізація: кодинг на Python, тестування на реальних даних, A/B-порівняння з ручним введенням.
4. Тестування: перевірка на 100+ варіантах даних, валідація юристом.
5. Деплой: контейнеризація (Docker), розгортання у вашій інфраструктурі (on-prem або cloud).

Скільки часу займає впровадження?

• Простий шаблон (один тип документа) — від 3 до 5 днів.
• Комплексне рішення (3+ типи документів, інтеграція з CRM) — від 2 до 4 тижнів.
• Вартість розраховується індивідуально після аудиту.

Більше 5 років на ринку автоматизації документообігу, 50+ успішних проектів. Отримайте консультацію інженера для вашого кейсу. Ми гарантуємо якість — кожен проект проходить обов'язкову юридичну валідацію. Замовте впровадження AI-генерації документів, і ви скоротите витрати на підготовку документації.

Типові помилки при AI-генерації документів

• Подання всього тексту LLM без шаблону — високий ризик галюцинацій у реквізитах.
• Ігнорування RAG для юридичних норм — договір може посилатися на застарілі закони.
• Відсутність версіонування шаблонів — неможливо відкотити помилкову зміну.
• Відсутність постобробки — дати, суми та підписи повинні перевірятися автоматично.

Наші інженери допомагають уникнути цих помилок на етапі проектування. Звертайтеся за консультацією.

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.