AI-локалізація: автоматизація перекладу та i18n-аудит

Ви викотили інтерфейс німецькою — кнопка «Зберегти» з’їхала за екран, дати відображаються в американському форматі, а повідомлення про помилку залишилося англійською. Кожне додавання нової мови вручну обертається на 3–4 тижні правок: помилки в plural forms, втрачені плейсхолдери, неузгоджена термінологія. Ми автоматизуємо цей процес: від аудиту коду до автоматичного перекладу з урахуванням контексту. За 5+ років досвіду ми опрацювали 50+ проєктів для клієнтів з фінтеху, e-commerce та SaaS — середня економія часу на локалізацію склала 60%. Наприклад, для одного фінтех-продукту ми скоротили цикл локалізації з 3 місяців до 2 тижнів, заощадивши компанії понад $50,000 на кожному релізі.

Типовий кейс: fintech-стартап з React-інтерфейсом на 8 мов. Після аудиту знайшли 1200 хардкодованих рядків, 300 з яких ламали верстку на RTL-мовах. Впровадження i18n + AI-переклад скоротили релізний цикл з 2 тижнів до 2 днів. Наша AI-система в 3 рази швидше за ручний переклад.

Чому інтернаціоналізація — фундамент локалізації?

Без правильної i18n-архітектури будь-який переклад ламає верстку та логіку. Основні проблеми в існуючих проєктах:

• Хардкодовані рядки замість i18n-ключів
• Конкатенація рядків замість placeholder-форматування
• Ігнорування plural forms (в українській — 4 форми: 1, 2-4, 5+, 0)
• Відсутність підтримки RTL (арабська, іврит)
• Хардкодовані формати дат і чисел

# Плохо: конкатенация
message = "Найдено " + str(count) + " результатов"

# Хорошо: ICU MessageFormat
message = t("search.results_count", count=count)
# В файле локализации: "search.results_count": "{count, plural, one {Найден # результат} few {Найдено # результата} many {Найдено # результатов} other {Найдено # результата}}"

Як AI-аналіз кодової бази виявляє вузькі місця?

Ми скануємо репозиторій за допомогою парсера AST та машинного навчання. Система знаходить:

• Усі хардкодовані рядки (AST-аналіз + регулярні вирази)
• Форматування дат/чисел без використання Intl API — MDN рекомендує цей API для локалізації
• Конкатенації рядків зі змінними
• Зображення з вбудованим текстом (OCR)

class I18nAudit:
    def audit_codebase(self, repo_path: str) -> AuditReport:
        issues = []
        for file in self.scan_files(repo_path, extensions=[".ts", ".tsx", ".jsx", ".py"]):
            ast_tree = parse_ast(file)
            for node in ast_tree.string_literals:
                if not self.is_in_i18n_call(node) and self.looks_like_ui_text(node.value):
                    issues.append(I18nIssue(
                        file=file,
                        line=node.line,
                        text=node.value,
                        issue_type="hardcoded_string",
                        suggested_key=self.suggest_key(node.value)
                    ))
        return AuditReport(issues=issues, summary=self.summarize(issues))

Як AI розуміє, що «Save» — це і кнопка, і дія?

Звичайний машинний переклад (MT) видає «Зберегти» для обох випадків. Наша система враховує контекст: тип елемента (кнопка, заголовок, повідомлення), екран, роль користувача. Глосарій термінів забезпечує консистентність — один термін перекладається однаково в усьому додатку.

def translate_with_context(
    key: str,
    source_text: str,
    context: UIContext,
    target_lang: str,
    glossary: Glossary,
    tm: TranslationMemory
) -> Translation:
    tm_match = tm.find_match(source_text, min_similarity=0.85)
    if tm_match and tm_match.similarity > 0.95:
        return tm_match.translation
    terms = glossary.find_terms(source_text, target_lang)
    translation = mt_engine.translate(
        text=source_text,
        target_lang=target_lang,
        context=f"UI element: {context.element_type}, screen: {context.screen_name}",
        enforce_terms=terms
    )
    tm.store(source_text, translation, target_lang, context)
    return translation

За нашими даними, контекстний переклад скорочує кількість пост-редакційних правок на 60% порівняно з прямим MT, що додатково економить бюджет на локалізацію.

Псевдолокалізація: як протестувати локалізацію до перекладу?

До того як реальний перекладач почне роботу, ми запускаємо псевдолокалізацію: замінюємо символи на декоровані (наприклад, [Ħȇŀŀǿ]), а рядки подовжуємо на 30% — моделюємо поведінку німецької або фінської. Це одразу виявляє усічення тексту в UI, неправильне розміщення плейсхолдерів та жорстко задані розміри елементів.

Continuous localization: як не розривати CI/CD?

Інтеграція з TMS (Crowdin, Lokalise, Phrase) через API: при кожному коміті нові рядки автоматично надсилаються на переклад. QA-перевірка перед публікацією: довжина рядка, збереженість плейсхолдерів, відсутність машинних артефактів. Весь процес займає хвилини, а не дні.

Етапи впровадження AI-локалізації

Що входить до роботи?

1. Аудит кодової бази — виявлення всіх i18n-проблем (звіт з рекомендаціями). Займає 2–3 дні.
2. Впровадження i18n-інфраструктури — налаштування фреймворку, форматування рядків. До 2 тижнів.
3. Налаштування TMS та глосаріїв — підключення до Crowdin/Lokalise, створення термінології. 1 тиждень.
4. Автоматизація перекладу — інтеграція AI-двигуна з контекстом. Від 2 тижнів.
5. Псевдолокалізація та QA — тестування макетів до перекладу, валідація рядків.
6. Підтримка релізів — моніторинг нових рядків, автоматичний переклад.

Строки: від 2 тижнів (аудит + базове впровадження) до кількох місяців для глибокої локалізації 10+ мов. Вартість розраховується індивідуально під проєкт.

Переваги AI-локалізації

За 5+ років досвіду ми реалізували 50+ проєктів у сфері фінтеху, e-commerce та SaaS. Гарантуємо консистентність термінології та повне покриття плейсхолдерів. Автоматизація дозволяє виходити на нові ринки в 3 рази швидше порівняно з ручним підходом.

Зв'яжіться для консультації — ми покажемо, як автоматизація локалізації прискорить вихід на нові ринки. Замовте аудит кодової бази під ключ: отримайте безкоштовний аналіз одного з ваших репозиторіїв. Оцініть ваш проект безкоштовно.

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.