AI-класифікація вхідних документів: впровадження та налаштування

Реалізація AI-класифікації вхідних документів за типом

Відділ вхідної кореспонденції обробляє 500+ документів на день. Співробітники вручну визначають тип — рахунок це чи договір, потім вносять у систему. Помилка в 15% випадків, кожен документ забирає 3–5 хвилин. Ми знаємо цей біль, тому будуємо автоматичні класифікатори, які працюють з точністю 97–99% і економлять до 80% часу на рутинній маршрутизації. Наприклад, для великого логістичного оператора ми впровадили класифікацію, яка обробляє 2000+ документів на день з точністю 98.5%, повністю замінивши ручне сортування.

Основні проблеми, які вирішує AI-класифікація

Низька точність при схожих документах

Рахунок-фактура і накладна часто мають однакові поля та структуру. Текстовий класифікатор помилиться в 5–10% випадків. Мультимодальний підхід — текст + таблиці + метадані файлу — знижує помилку до 1–3%.

Невідомі типи

Система без класу UNKNOWN відправляє незнайомий документ у найближчу категорію з низькою впевненістю. Це ламає бізнес-процеси. Ми виділяємо окремий клас для ручної обробки і логуємо всі випадки для донавчання.

Інтеграція з існуючим ECM/ERP

API-шар на базі FastAPI або GraphQL, підтримка REST, SOAP, gRPC. Класифікатор легко вбудовується в пайплайн обробки — від сканування до завантаження в 1С, SAP або DocuWare.

Як працює мультимодальний класифікатор?

Наш стек: PyTorch, HuggingFace Transformers, LangChain для ланцюжків, ChromaDB або Qdrant для зберігання ембеддінгів. Моделі — rubert-tiny2 для російської мови або multilingual-e5-large при багатомовному документообігу. Деплой через Triton Inference Server з підтримкою INT8-квантизації — latency p99 < 100 мс.

def classify_document(file_path: str) -> DocumentClass:
    features = {}
    # Текстові ознаки
    text = extract_text(file_path)
    features["text_class"] = text_classifier.predict(text[:2000])
    # Структурні ознаки
    features["has_tables"] = detect_tables(file_path)
    features["page_count"] = get_page_count(file_path)
    features["filename_hint"] = extract_filename_hint(file_path)
    # Метадані документа
    features["creation_date"] = get_document_metadata(file_path).get("created")
    # Ансамблеве рішення
    return ensemble_classifier.predict(features)

Кейс: класифікація 500K документів на місяць

Великий рітейлер (наш клієнт) впроваджував систему обробки накладних і актів. До впровадження — 4 співробітники на ручному сортуванні, 85% точності. Після — AI-класифікатор на основі RuBERT з донавчанням на 20K розмічених документів. Точність: 98.5% для накладних, 97.2% для актів. Час обробки одного документа — 0.7 с. Результат: 3 з 4 співробітників переведені на контроль якості, вартість обробки одного документа знизилася в десятки разів.

Чому мультимодальний підхід кращий?

Мультимодальний підхід у 3 рази точніший за pure-text на документах зі схожою структурою.

Чому варто інвестувати в донавчання моделі?

Fine-tuning на ваших даних підвищує точність на 5–10% порівняно з out-of-the-box моделлю. Для клієнта з обсягом 1000 документів на день економія за рахунок скорочення повторної обробки окупає донавчання в перший місяць.

Процес роботи над впровадженням

Що входить у результат

• Готова модель класифікатора (донавчена під вашу таксономію)
• API для інтеграції (OpenAPI-специфікація)
• Docker-образи для деплою (CPU/GPU)
• Інструкція з експлуатації та навчання операторів
• Гарантія точності не нижче 95% на тестовій вибірці
• Підтримка 3 місяці після запуску

Типові помилки при самостійній реалізації

• Ігнорування layout-фіч. Простий BERT-класифікатор плутає рахунок-фактуру і платіжне доручення, якщо тексти схожі. Додайте ембеддінги таблиць і кількість сторінок — точність зросте на 10–15%.
• Відсутність класу UNKNOWN. Завжди передбачайте fallback для невідомих типів. Без нього помилка класифікації ламає ланцюжок обробки.
• Недостатня кількість розмічених даних. Для донавчання потрібно мінімум 200–500 прикладів на клас. Менше — high variance, більше — better.

Терміни та бюджет

Термін впровадження — від 4 до 12 тижнів залежно від складності таксономії та інтеграції. Бюджет розраховується індивідуально після аналізу документообігу. Зв'яжіться з нами — ми оцінимо ваш проект і запропонуємо сценарій з гарантією результату. Замовте консультацію, щоб отримати економію від 80% часу на ручному сортуванні.

Досвід: 10+ років в AI/ML, 80+ проектів з класифікації документів, сертифіковані спеціалісти з PyTorch та HuggingFace.

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.