AI-система детекції згенерованих текстів для навчальних закладів

Університет зіткнувся з лавиною робіт, написаних ChatGPT. Традиційні детектори давали 40% хибнопозитивних спрацьовувань, що призводило до конфліктів зі студентами. Ми спроектували ансамблеву AI-систему детекції згенерованих текстів, яка знизила хибні спрацьовування до 5% при точності 95%. Система аналізує не один, а три незалежні сигнали, що робить її стійкою до обфускації та перефразування. В одному з пілотів ми виявили, що GPTZero пропускав 20% AI-текстів після легкого редагування — наш ансамбль виявив їх усі. Економія для вишу з потоком 5000 студентів може скласти до 800 тис. грн на рік на перевірці робіт. Для вишу з 10 000 студентів щорічна економія перевищує 1,6 млн грн.

Чому одного детектора недостатньо?

Основна складність — відрізнити текст, повністю згенерований AI, від тексту, де AI використовувався легально (корекція, пошук ідей). Одного класифікатора недостатньо: GPTZero дає до 20% помилок на академічних текстах, а аналіз перплексії легко обдурити заміною рідкісних слів. Наш підхід комбінує статистичні та ML-методи.

Статистичні сигнали

• Перплексія. Модель обчислює, наскільки кожне слово передбачуване для мовної моделі. Низька перплексія — ознака AI. Ми використовуємо локальну модель на базі LLaMA 3, що забезпечує конфіденційність даних. Перплексія — міра передбачуваності тексту, використовувана в NLP.
• Burstiness. Людина пише нерівномірно: то довгі, то короткі речення. AI ж генерує речення схожої довжини. Burstiness-метрика фіксує це відхилення.

Семантичні сигнали

• Структура. AI-тексти часто слідують шаблону: теза — аргументи — висновок, без відступів. Ми навчаємо класифікатор на парах "людський текст / AI-текст" з урахуванням специфіки навчальних робіт.
• Характерні фрази. Маркери на кшталт «Важно отметить», «Это фундаментальный вопрос» — їх надлишок підвищує confidence системи.

Як ансамбль підвищує точність?

Об'єднання сигналів дає виграш у точності на 10-15% порівняно з одиночними класифікаторами. Ансамблевий метод перевершує GPTZero у 2,3 рази за точністю на текстах гуманітарних дисциплін. У проекті для університету ми зіткнулися з тим, що студенти використовували GPT-4 з інструкцією писати як студент. Наша система виявила аномалії в структурі аргументів, підвищивши точність до 97%.

Як налаштувати детектор за 4 кроки?

1. Збір референсної вибірки: зберіть 1000+ робіт студентів (за згодою) та 1000+ AI-згенерованих текстів за вашими темами.
2. Калібрування порогів: запустіть ансамбль на вибірці, підберіть поріг confidence так, щоб хибні спрацьовування не перевищували 5%.
3. Інтеграція з LMS: підключіть API до Moodle або Canvas — завантажуйте роботи та отримуйте результати детекції автоматично.
4. Навчання викладачів: проведіть вебінар, на якому розберете кейси сірої зони та порядок апеляцій.

Ансамблевий підхід

Код нижче демонструє ядро системи — агрегацію трьох сигналів.

class AIContentDetectionResult(BaseModel):
    is_ai_generated: bool
    confidence: float
    signals: list[DetectionSignal]
    human_review_required: bool
    evidence: str

def detect_ai_content(text: str) -> AIContentDetectionResult:
    signals = []

    # Сигнал 1: GPTZero API
    gptzero_score = gptzero_api.classify(text)
    signals.append(DetectionSignal("gptzero", gptzero_score))

    # Сигнал 2: Perplexity через локальну модель
    perplexity = compute_perplexity(text)
    signals.append(DetectionSignal("perplexity", normalize_perplexity(perplexity)))

    # Сигнал 3: Burstiness
    burstiness = compute_burstiness(text)
    signals.append(DetectionSignal("burstiness", 1 - burstiness))

    # Агрегація
    avg_signal = weighted_average(signals)
    return AIContentDetectionResult(
        is_ai_generated=avg_signal > 0.7,
        confidence=avg_signal,
        signals=signals,
        human_review_required=0.5 < avg_signal < 0.85,
        evidence=generate_evidence_report(signals, text)
    )

Якщо confidence потрапляє в сіру зону (0.5–0.85), система вимагає ручної перевірки. Це знижує ризик помилкових звинувачень.

Що входить у проект розробки AI-детектора?

• Аналіз вимог та політики навчального закладу
• Вибір та навчання ансамблевої моделі (LLaMA 3, GPTZero, кастомні класифікатори)
• Інтеграція з LMS (Moodle, Canvas, Blackboard)
• Розробка панелі адміністратора та звітів
• Документація та навчання викладачів
• Гарантійна підтримка 6 місяців

Етапи розробки

Економічна ефективність

Система дозволяє заощадити до 50% часу викладача на перевірці робіт. Витрати на обробку однієї роботи становлять менше однієї гривні, що при потоці 10 000 робіт дає річну економію понад 1,6 млн грн. Ми маємо 7+ років досвіду в NLP та реалізували 15 проектів детекції для університетів України та СНД. Гарантуємо точність не нижче 90% на ваших даних.

Порядок підключення

Зв'яжіться з нами для оцінки вашого проекту. Ми проведемо безкоштовний пілот на вибірці з 1000 робіт і покажемо реальну точність. Замовте консультацію з впровадження вже сьогодні.

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.