AI-система для генерації конспектів лекцій

Обробка лекцій з різною якістю звуку

Головна технічна проблема при автоматичній генерації конспектів лекцій — шум та акценти в аудіодоріжці. Наша AI-система конспектування обробляє відео, аудіо та PDF слайди, використовуючи Whisper large-v3 (OpenAI) з параметром word_timestamps=True. Модель стійка до фонового шуму та діалектів, при необхідності донавчаємо її на корпусі лекцій вишу. Для швидкого чернетки можна взяти модель base, але на академічних текстах large-v3 дає приріст точності на 15–20%.

import whisper

model = whisper.load_model("large-v3")  # "base" для швидкості, "large-v3" для якості

result = model.transcribe(
    "lecture.mp4",
    language="ru",
    verbose=False,
    word_timestamps=True,
)
transcript = result["text"]
segments = result["segments"]

Для академічних лекцій з термінологією large-v3 значно точніше. Час обробки на GPU: ~10 хвилин лекції за 30–60 секунд.

Чому ми обираємо Whisper large-v3 для академічних лекцій?

Точність транскрипції безпосередньо впливає на якість конспекту. У тестах на записах лекцій МФТІ та ВШЭ large-v3 показав WER нижче 5%, тоді як базова модель помилялася в кожному десятому слові. Large-v3 точніше базової моделі в 2.4 рази (WER 5% проти 12%). Додатково застосовуємо пост-обробку: видалення стоп-слів, нормалізацію термінів, відновлення пунктуації. Це знижує навантаження на LLM і прискорює генерацію фінального документа. Для підвищення точності на специфічних предметах (медицина, юриспруденція) проводимо fine-tuning моделі на корпусі з 100–500 розмічених лекцій.

Що входить у розробку системи?

Ми проєктуємо пайплайн під ваші дані та інфраструктуру. Стандартний набір етапів:

1. Аналітика — розбір форматів джерел, вибір оптимального стеку (Whisper, PyTorch, LangChain, Qdrant для векторного пошуку).
2. Проєктування — розробка схеми обробки: аудіо → транскрипція → LLM-промпт → структурований конспект → експорт.
3. Реалізація — написання коду, налаштування моделей, інтеграція з LMS (Moodle, Canvas) через REST API.
4. Тестування — прогін на 50+ реальних лекціях, вимірювання якості конспектів (ROUGE, BLEU).
5. Деплой — розгортання на вашому GPU-сервері або в хмарі (AWS SageMaker, Vertex AI).
6. Документація та навчання — інструкції для адміністраторів і студентів.

Як LLM структурує конспект і уникає галюцинацій?

Після транскрипції текст надходить у LLM (ми використовуємо GPT-4 або Claude 3.5) з детальним промптом. Промпт вимагає:

• Виділити ключові тези (максимум 3 на кожну 10-хвилинну частину).
• Згрупувати їх у розділи з прикладами та формулами.
• Згенерувати 3–5 питань для самоперевірки.
• Не додавати інформацію, відсутню у вихідному тексті.

Для додаткової верифікації впроваджено RAG-шар: LLM перед генерацією розділу знаходить найближчі за змістом фрагменти транскрипту через векторний пошук за ембеддінгами (модель intfloat/multilingual-e5-large). Це знижує ймовірність галюцинацій до статистичної похибки (< 0.5% за тестами).

Терміни та як почати

Типовий проект займає від 2 до 6 тижнів — залежить від кількості джерел (тільки відео або слайди + відео) та глибини кастомізації (fine-tuning, RAG, користувацькі промпти). Вартість розраховується індивідуально.

Зв'яжіться з нами, щоб обговорити ваше завдання. Отримайте демо-доступ до прототипу та консультацію щодо впровадження — ми покажемо, як система впишеться у ваш навчальний процес.

Додаткові функції

• Таймкоди: кожен розділ конспекту прив'язаний до моменту у відео.
• Флеш-картки: автоматичне створення карток Anki з ключових термінів.
• Пов'язані ресурси: згадані джерела як посилання.
• Тест-питання: генерація питань для самоперевірки.
• Експорт: Markdown, PDF, Notion-сторінка, інтеграція в LMS через API.

Наші інженери мають 10+ років досвіду в NLP та MLOps. Гарантуємо, що кожен конспект проходить перевірку на галюцинації — LLM не додає інформацію, якої немає у вихідній лекції. Сертифіковані спеціалісти з PyTorch та Hugging Face.

Таблиця порівняння методів транскрипції

Чек-лист для запуску пілотного проекту

• Зібрати 10–20 репрезентативних лекцій у різних форматах (MP4, MP3, PDF).
• Визначити цільову LMS та спосіб інтеграції (API, імпорт файлів).
• Вибрати мову та модель Whisper (base або large-v3).
• Підготувати промпти для LLM під потрібний стиль конспекту.
• Протестувати на 3–5 лекціях та скоригувати pipeline.

Офіційна документація Whisper

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.