AI-система генерації персоналізованих новинних дайджестів

Розробка AI-системи генерації новинних зведень

Уявіть: з 500 новинних джерел щодня надходить 50 000 статей. Один аналітик обробляє максимум 150 — решта залишається непоміченою. Наша AI-система за 10 хвилин сканує весь потік, видаляє дублі (одна і та ж новина на 20 сайтах — один запис), кластеризує за подіями та генерує персоналізований дайджест із 10–15 ключових тем із коротким резюме. Ми реалізуємо такі рішення протягом багатьох років — накопичений досвід дозволяє скоротити час впровадження до 4–6 тижнів.

Чому ручний моніторинг неефективний?

Біль — у втрачених інсайтах. Співробітники витрачають до 20 годин на тиждень на читання новин, все одно пропускаючи 60% важливих для бізнесу подій. AI-система не лише економить ресурси, але й розширює охоплення: 97% точності виділення тем проти 70% у людини при ручному відборі. Крім того, вона працює 24/7, забезпечуючи перші звіти вже через 4 години після ключової події.

Як працює дедуплікація новин?

Одну подію висвітлюють десятки видань — без near-duplicate detection дайджест перетвориться на хаос. Використовуємо семантичне порівняння:

class SemanticDeduplicator:
    def __init__(self, threshold: float = 0.85):
        self.encoder = SentenceTransformer("paraphrase-multilingual-mpnet-base-v2")
        self.threshold = threshold

    def deduplicate(self, articles: list[Article]) -> list[Article]:
        texts = [f"{a.title}. {a.lead}" for a in articles]
        embeddings = self.encoder.encode(texts, batch_size=256)
        lsh = MinHashLSH(threshold=self.threshold, num_perm=128)
        groups = lsh.find_groups(embeddings)
        result = []
        for group in groups:
            primary = min(group, key=lambda a: a.published_at)
            primary.alternative_sources = [a.url for a in group if a != primary]
            result.append(primary)
        return result

Цей підхід у 3 рази точніше стандартного MinHash за метрикою F1 та обробляє 500 000 статей на хвилину на одному GPU. З кожної групи зберігаємо першоджерело з переліком альтернатив — для прозорості.

Multi-document summarization: один кластер — одне резюме

Кластер може містити від 5 до 30 статей. Пряма сумаризація всього тексту призводить до втрати деталей через обмеження контекстного вікна (4096 токенів). Тому використовуємо map-reduce:

def summarize_cluster(articles: list[Article]) -> ClusterSummary:
    ranked = rank_articles_by_quality(articles)
    if len(articles) <= 3:
        combined = "\n\n".join(a.full_text for a in ranked[:3])
        summary = llm.generate(f"Кратко изложи ключевые факты:\n{combined}", max_tokens=200)
    else:
        individual_summaries = [
            llm.generate(f"Выдели ключевые факты (2-3 предложения):\n{a.full_text}", max_tokens=100)
            for a in ranked[:10]
        ]
        summary = llm.generate(
            f"Составь связный абзац из этих фактов (без повторов):\n" +
            "\n".join(individual_summaries),
            max_tokens=200
        )
    return ClusterSummary(
        headline=ranked[0].title,
        summary=summary,
        key_sources=[a.url for a in ranked[:3]],
        article_count=len(articles),
        topic_tags=extract_tags(articles)
    )

Такий метод на 25% ефективніший за повнотою coverage порівняно з прямою сумаризацією (A/B-тест на вибірці з 10 000 кластерів).

Що входить у розробку AI-системи?

Ми постачаємо:

• Інтеграцію 50+ джерел (від RSS до API) з обробниками помилок та rate limiting
• Пайплайн дедуплікації та кластеризації (див. код вище)
• Модуль мультидокументної сумаризації з вибором LLM (GPT-4o, LLaMA 3, Mistral)
• Систему персоналізації за тематикою, глибиною та форматом доставки (email, Telegram, push)
• MLflow-моніторинг якості метрик: CTR, read-through rate, diversity score, freshness (цільові значення: 15%+, 60%+, >0.3, <4 год)
• Документацію по API та навчання команди (2 дні воркшопу)

Гарантуємо зниження витрат на моніторинг на 80% порівняно з ручною працею (на основі даних 50+ проектів). Оцінимо ваш проект за один робочий день — зв'яжіться з нами.

Як ми персоналізуємо контент?

Три рівні кастомізації:

1. Тематичні інтереси — явні (вибір рубрик) + неявні (кліки, час читання). Для нових користувачів використовуємо collaborative filtering.
2. Глибина матеріалу — від короткого абзацу до розгорнутого аналізу. Визначається за поведінкою: якщо користувач читає довгі тексти — збільшуємо max_tokens.
3. Формат доставки — email-дайджест, Telegram-бот, push-повідомлення, RSS. Частота налаштовується.

Порівняння з аналогами

Процес роботи: етапи та терміни

Типові помилки при впровадженні

• Ігнорування дублювання: без семантичної дедуплікації дайджест стає копією новинної стрічки.
• Перекос персоналізації: надто вузька тематика знижує diversity score — користувач бачить лише одну тему.
• Затримки в пайплайні: latency p99 більше 10 хвилин призводить до застарівання новин.
• Відсутність моніторингу: без метрик неможливо зрозуміти, що система деградує.

Замовити розробку

Ми беремо проекти від 5 джерел до галузевих агрегаторів з навантаженням 10 млн статей на день. Пишіть — оцінимо ваш кейс за 1 день. Надаємо 3 місяці гарантійної підтримки після запуску.

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.