AI-система геокодування та зворотного геокодування

Розробка AI-системи геокодування та зворотного геокодування

Ви логістична компанія і щодня обробляєте тисячі адрес: «пр-кт Мира 15», «вул. Лісова, буд. 3/2» або «Щолково, 8-й мкрн, буд. 12». Стандартні геокодери спотикаються на скороченнях, помилках та нестандартному порядку. А якщо адреса нова або написана за неофіційною назвою — повертають помилку. Ми розробили AI-систему, яка вирішує ці проблеми з точністю вище 95%. Вкладення окупаються за рахунок зниження ручної обробки адрес на 70%. Типовий кейс: клієнт скаржився на 40% помилок при геокодуванні оптових замовлень — після впровадження нашої системи помилки знизилися до 3%. Замовте консультацію, і ми підберемо рішення під ваш проект.

Які проблеми вирішуємо?

Стандартні геокодери (Яндекс.Карти, Google Maps API) дають точність 70–80% на неповних адресах. Наша система на 30% точніша завдяки комбінації:

• Нормалізація: виправлення помилок («Лєніна» → «Леніна»), розшифровка скорочень («мкрн» → «мікрорайон»)
• Парсинг: виділення компонентів з нестандартного порядку («будинок 5, вулиця Миру»)
• Нечіткий пошук по Федеральній інформаційній адресній системі (ФІАС) з ембеддінгами 1536-dim
• LLM fallback для описових адрес («біля вокзалу»)

Нижче — порівняння методів:

Як працює AI-геокодування?

class RobustGeocoder:
    def geocode(self, address: str) -> GeocodingResult:
        # 1. Нормалізація: виправлення скорочень, помилок
        normalized = self.normalizer.normalize(address)

        # 2. Парсинг компонентів адреси
        components = self.parser.parse(normalized)

        # 3. Спроба через стандартний геокодер
        result = self.primary_geocoder.geocode(normalized)

        if result and result.confidence > 0.85:
            return result

        # 4. Fallback: нечіткий пошук по базі адрес (ФІАС)
        candidates = self.fias_db.fuzzy_search(
            street=components.street,
            city=components.city,
            house=components.house,
            top_k=5
        )

        if candidates:
            # Вибір найкращого кандидата через re-ranker
            best = self.reranker.select(normalized, candidates)
            return GeocodingResult(
                input=address,
                normalized=normalized,
                coordinates=best.coordinates,
                confidence=best.score,
                matched_address=best.full_address,
                fias_id=best.fias_id
            )

        # 5. LLM як останній резерв для неструктурованих описів
        return self.llm_geocode(address)

Як налаштувати LLM fallback?

1. Виберіть модель: GPT-4o, Claude 3.5 або LLaMA 3 (70B)
2. Опишіть промпт: «Витягни з тексту: місто, вулиця, будинок, корпус. Якщо неясно, поверни пусто.»
3. Встановіть поріг впевненості: confidence >= 0.7, інакше відкидаємо
4. Кешуйте результати LLM для повторюваних адрес

Чому ФІАС — основа для російських адрес?

ФІАС — офіційний реєстр адрес Росії. Ми використовуємо його як primary джерело, що оновлюється щоквартально. Нечіткий пошук по ФІАС з використанням ембеддінгів (1536-dim) дозволяє знаходити адреси навіть при сильних спотвореннях. Інтеграція з LLM дає можливість обробляти описові адреси типу «другий під'їзд від магазину».

Зворотне геокодування: з координат в адресу

З точки (55.7558, 37.6176) система повертає читабельну адресу з потрібним рівнем деталізації. Для логістичних задач важлива точність до будинку та корпусу — система визначає найближчий об'єкт ФІАС і повертає повну адресу з postal code. Для геомаркетингу та аналітики достатньо району або міста — це прискорює обробку в 5–10 разів. Ми підтримуємо всі рівні адміністративного поділу Росії та кешуємо результати для повторюваних координат, знижуючи навантаження на геокодер. Конфігурація рівня деталізації задається через параметр precision в API-запиті.

Пакетне геокодування: 10 000 адрес на хвилину

Для компаній з високими навантаженнями — асинхронна обробка з пріоритетами та чергою задач. Адреси з високим рівнем впевненості (confidence > 0.9) одразу зберігаються в результат, сумнівні передаються на додаткову перевірку через LLM fallback або ручну обробку. Результати кешуються в Redis — повторні запити однієї адреси повертають результат за 1–2 мс. Throughput — до 10 000 адрес на хвилину при горизонтальному масштабуванні. Система генерує звіт якості: скільки адрес геокодовано точно, з низькою впевненістю та не геокодовано.

Як ми впроваджуємо систему?

Досвід нашої команди — понад 7 років у NLP та 10+ реалізованих проектів. Ми гарантуємо SLA 99.9% та надаємо повну документацію по API, навчання ваших інженерів та підтримку на етапі експлуатації. Отримайте демо — напишіть нам, і ми покажемо живий приклад за 2 дні.

Примітка: вартість розраховується індивідуально залежно від обсягу даних та необхідної продуктивності. Замовте консультацію, щоб отримати точну оцінку.

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.