Розробка AI-системи аналізу запитів на нові функції

Feature request backlog зростає експоненційно: в компаніях з активною продуктовою розробкою щомісяця надходить від 500 до 5000 тікетів з Jira, GitHub Issues, звернень у підтримку та чатів. Продакт-менеджер вручну групує схожі запити — «хочу темну тему», «додайте dark mode», «чому немає нічного режиму» — а це одне й те саме. На ручну кластеризацію йде до 20 годин на тиждень, при цьому до 40% дублікатів залишаються непоміченими. Ми автоматизуємо цей процес за допомогою NLP та HDBSCAN, скорочуючи час аналізу на 70%. Економія на ручному аналізі сягає $15 000 на місяць при обсязі 1000 запитів.

Як HDBSCAN допомагає дедуплікувати запити?

Перше завдання — дедуплікація. Замість регулярних виразів та ключових слів використовуємо семантичну кластеризацію: кожен запит перетворюється на 768-вимірний ембеддінг через Sentence Transformer (paraphrase-multilingual-mpnet-base-v2), потім HDBSCAN групує їх за косинусною близькістю. Шум (запити без найближчих сусідів) позначаються міткою -1 і не потрапляють у кластери.

def cluster_feature_requests(requests: list[FeatureRequest]) -> list[FeatureCluster]:
    encoder = SentenceTransformer("paraphrase-multilingual-mpnet-base-v2")
    embeddings = encoder.encode([r.text for r in requests])

    clusterer = hdbscan.HDBSCAN(min_cluster_size=3, metric="cosine")
    labels = clusterer.fit_predict(embeddings)

    clusters = []
    for label in set(labels):
        if label == -1:  # шум — поодинокі запити
            continue
        cluster_requests = [r for r, l in zip(requests, labels) if l == label]
        clusters.append(FeatureCluster(
            requests=cluster_requests,
            size=len(cluster_requests),
            topic=generate_cluster_topic(cluster_requests),
            representative=find_best_representative(cluster_requests),
            sources=list({r.source for r in cluster_requests})
        ))

    return sorted(clusters, key=lambda c: c.size, reverse=True)

Результат: замість 1000 запитів — 20-30 кластерів з топиками. Кожен кластер містить representative (найтиповіший запит) та список джерел. Wikipedia: HDBSCAN надає додаткову інформацію про алгоритм.

Порівняння HDBSCAN та K-means

HDBSCAN виявляється в середньому в 2 рази точніше за K-means при виділенні семантичних груп (F1-score 0.82 проти 0.41 на нашому тестовому датасеті).

Що таке скоринг пріоритетів?

Розмір кластера важливий, але не достатній. Ми використовуємо скоринг, де враховуються:

• Сегмент користувача: enterprise-клієнти мають вагу ×2, безкоштовні користувачі ×0.5.
• Емоційне забарвлення: тональний аналіз через cardiffnlp/twitter-roberta-base-sentiment-latest — запити з negative (критичність, блокування) отримують +30% до скорингу.
• Churn-кореляція: якщо користувачі, що запитували фічу, згодом відписалися — це сигнал high priority.
• Бізнес-потенціал: оцінка на основі історичних продажів та NPS-даних.

Приклад: кластер з 50 запитів від enterprise-клієнтів з негативною тональністю (слова «блокує роботу») отримує скоринг 0.4×50 + 0.25×2 + 0.2×1.3 + 0.1×1 = 22.1, тоді як кластер з 200 запитів від безкоштовних користувачів з нейтральною тональністю — 0.4×200 + 0.25×0.5 + 0.2×1 + 0.1×1 = 80.25. Однак при врахуванні бізнес-потенціалу enterprise-кластер може виявитися пріоритетнішим.

Генерація user stories та трендів

З кластера система автоматично формує чернетку user story: «Як [тип користувача], я хочу [функція], щоб [цінність]». Тип користувача визначається за найчастішим джерелом з кластера (наприклад, якщо 80% запитів з розділу «Admin panel» — роль «адміністратор»). Цінність витягується з тональних маркерів (слова «щоб», «для», «з метою»). Чернетка потребує редагування продакта, але стартовий час скорочується з 40 хвилин до 2.

Відстежуємо динаміку: якщо за останній тиждень у кластер додалося >20% нових запитів — флаг «зростаючий тренд». Якщо запит існує >6 місяців без зростання — низький пріоритет (deprioritize). Зростання після конкретного релізу — сповіщення про можливу регресію. Використовуємо Wikipedia: HDBSCAN як основу алгоритму.

Склад послуги

1. Аудит поточного потоку запитів — оцінка обсягу, джерел, частоти.
2. Інтеграція тікет-систем — конектори до Jira, GitHub, HubSpot, Zendesk.
3. Налаштування NLP-пайплайна — калібрування ембеддінгів на вашій специфіці (доменні терміни, сленг).
4. Дашборд пріоритетів — веб-інтерфейс з кластерами, трендами, скорингом.
5. Експорт user stories — вивантаження у форматі CSV/JSON для імпорту в product management tools.
6. Документація та навчання команди — як інтерпретувати тренди та приймати рішення.

Строки та як почати

Оцінка проекту — від 40 до 80 годин залежно від складності інтеграції та обсягу даних. Перший прототип з базовою кластеризацією готовий через 2 тижні після старту. Для точного розрахунку отримайте консультацію: просто напишіть нам з коротким описом поточного процесу та кількості запитів на місяць. Гарантуємо, що після впровадження ви будете витрачати на аналіз фіч не більше 2 годин на тиждень. Вартість визначається після аналізу вашого проекту.

Досвід нашої команди — 5 років в NLP та MLOps, понад 30 успішних впроваджень у продуктових компаніях. Використовуємо лише open-source компоненти без vendor lock-in.

Пишіть — оцінимо ваш проект безкоштовно і запропонуємо рішення під ключ.

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.