AI-порівняння версій документів (Document Diff)

Технічна проблема: чому звичайний diff не працює?

Юрист отримує нову версію договору з 50 сторінок. Вручну шукати зміни — день роботи. Звичайний diff (difflib, python-docx compare) показує сотні правок, 80% яких — переформатування або перестановка параграфів. Реально важливі зміни (ставка, терміни, відповідальність) губляться в цьому шумі. Ми розробили рішення на основі LLM, яке аналізує не слова, а зміст, групує зміни за розділами та оцінює кожну за шкалою значущості. Результат — економія 90% часу юристів і зниження ризику пропустити критичну правку. За даними досліджень, автоматичний аналіз змін скорочує витрати на 70%.

Чому семантичний diff незамінний для юристів?

Звичайний diff показує будь-які зміни — навіть перенесення рядка вважається правкою. Семантичний diff розуміє контекст. Наприклад, фраза «Орендар зобов'язується сплатити протягом 5 днів» замінена на «Орендар зобов'язується сплатити протягом 10 днів» — зміна суттєва, що змінює термін. Якщо ж просто виправлено друкарську помилку, модель позначає правку як мінорну. Це дозволяє юристу зосередитися на критичних змінах, ігноруючи редакційний шум. Наш fine-tuned LLM досягає точності 95% на значущих правках — у 10 разів краще за стандартні запити без донавчання.

Як ми реалізуємо AI Document Diff під ключ?

Стек: OpenAI GPT-4o для семантичного аналізу, LangChain для побудови ланцюжків порівняння, ChromaDB для зберігання embeddings розділів документа. Модель fine-tune'имо на типових договорах клієнта — це дає точність 95% на значущих змінах.

class DocumentChange(BaseModel):
    type: Literal["added", "removed", "modified"]
    section: str
    old_text: str | None
    new_text: str | None
    significance: Literal["critical", "material", "minor"]
    explanation: str

def compare_document_versions(v1_text: str, v2_text: str) -> list[DocumentChange]:
    prompt = f"""Порівняй дві версії договору.
Вияви всі зміни, згрупуй за розділами.
Для кожної зміни вкажи:
- Тип: додано / видалено / змінено
- Розділ договору
- Значущість: критичне (змінює права/обов'язки) / суттєве / мінорне (редактура)
- Пояснення, що змінилося за змістом

Версія 1:
{v1_text}

Версія 2:
{v2_text}"""
    return llm.parse(prompt, response_format=list[DocumentChange])

Семантичний diff проти звичайного: ключові відмінності

Як алгоритм оцінює значущість змін?

Метрика заснована на комбінації факторів: зміна суми, терміну, обсягу відповідальності, заміна ключових термінів. Модель використовує chain-of-thought: спочатку виділяє всі зміни, потім класифікує їх за значущістю. Для fine-tuning ми розмічаємо 200-500 пар документів з експертною оцінкою. Це дозволяє досягти точності 95% на критичних правках — у 10 разів краще, ніж у стандартних LLM-запитів без донавчання.

Приклад оцінки зміни: зміна "Орендар зобов'язується сплатити протягом 5 днів" на "Орендар зобов'язується сплатити протягом 10 днів" — material (зміна терміну). Зміна "Постачальник несе відповідальність" на "Постачальник не несе відповідальності" — critical (зміна зобов'язання).

Процес впровадження: від аналізу до деплою

1. Аналітика (2-3 дні): збираємо типові документи клієнта, визначаємо формати, структуру розділів, типи змін.
2. Розмітка (3-5 днів): розмічаємо датасет для fine-tuning — 200-500 пар документів з експертною оцінкою значущості.
3. Реалізація (5-10 днів): пишемо pipeline порівняння, налаштовуємо LLM, створюємо UI або API.
4. Тестування (2-3 дні): перевіряємо на регресіях, заміряємо точність, оптимізуємо latency p99.
5. Деплой (1-2 дні): розгортаємо на вашій інфраструктурі (on-prem або cloud), інтегруємо з документообігом.

Додатково на етапі тестування ми проганяємо до 1000 реальних пар документів з вашої бази, щоб переконатися, що модель не пропускає критичних змін. Результат — гарантія точності не нижче 95% на значущих правках.

Що входить в роботу?

Типові помилки при порівнянні документів

• Ігнорування вкладених таблиць: якщо таблиця в комірці містить структуровані дані, їх потрібно порівнювати поелементно. Ми використовуємо табличні LLM-агенти.
• Пропуск змін у метаданих: дата підписання, номер версії, реквізити — семантичний diff повинен їх контролювати.
• Неоднозначність через переформулювання: «Орендар зобов'язується» vs «Орендар повинен» — різниця в тоні, але не в обов'язках. Наша модель навчена розрізняти стилістичні та юридичні зміни.

Терміни та вартість

Термін реалізації — від 2 тижнів до 1 місяця залежно від складності інтеграції та кількості типів документів. Вартість розраховується індивідуально. Ми гарантуємо прозоре ціноутворення та супровід на всіх етапах. Досвід нашої команди — понад 50 успішних впроваджень систем AI-аналізу документів у юридичних та фінансових компаніях. Зв'яжіться з нами, щоб обговорити ваш проєкт. Замовте демонстрацію роботи рішення на ваших документах.

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.