Розробка AI-системи автоматичної категоризації товарів

Уявіть: у вас 50 000 SKU, щотижня додаються сотні нових товарів від постачальників з різними назвами, описами та зображеннями. Ручна категоризація вже не справляється — помилки множаться, відділ контенту перевантажений, а покупці не знаходять потрібні товари. Ми вирішуємо це за допомогою AI-системи автоматичної категоризації, яка аналізує текст, зображення та атрибути товарів. Наш досвід — 7+ років у машинному навчанні, понад 50 успішних проєктів для рітейлу та маркетплейсів. Пропонуємо рішення «під ключ»: від аудиту даних до інтеграції готового API. Зв'яжіться з нами для попередньої оцінки вашого каталогу.

Згідно з Вікіпедією, ієрархічна класифікація дозволяє знизити обчислювальну складність за рахунок покрокового уточнення категорії.

Як працює автоматична категоризація товарів?

Товарні каталоги мають деревоподібну структуру: «Одяг → Верхній одяг → Куртки». Класифікатор спочатку визначає найвищий рівень, потім уточнює — це знижує обчислювальну складність і підвищує точність. Приклад ієрархії:

Одяг і взуття
    ├── Чоловічий одяг
    │   ├── Верхній одяг
    │   │   ├── Куртки
    │   │   └── Пальта
    │   └── Штани
    └── Жіночий одяг

Для кожного рівня навчається окрема модель або використовується єдина ієрархічна архітектура. Ми обираємо підхід під ваш каталог — від простого BERT-класифікатора до retrieval-based системи на ембеддінгах. Ієрархічний підхід на 30% ефективніший за плоску класифікацію для каталогів з глибиною понад 3 рівні.

Вхідні дані та ознаки — розробка ai системи

Щоб модель працювала точно, використовуємо максимум доступних даних:

class ProductFeatures(BaseModel):
    title: str                    # «Куртка мужская зимняя Nike синяя»
    description: str | None       # полное описание
    attributes: dict              # характеристики: материал, размер, цвет
    images_url: list[str] | None  # для мультимодальной классификации
    brand: str | None
    price: float | None           # price range намекает на категорию
    supplier_category: str | None # категория поставщика (шумная, но полезная)

Мультимодальний підхід (текст + зображення) дає приріст accuracy +5–10% порівняно з text-only. Це підтверджено нашими проєктами: в одному з кейсів (каталог 10 000 товарів) точність зросла з 89% до 96% після додавання зображень.

Реалізація класифікатора

Вибір архітектури залежить від розміру каталогу та наявності розмічених даних:

Приклад коду для гібридного підходу:

def categorize_product(product: ProductFeatures) -> CategoryPrediction:
    text = f"{product.title}\n{product.description or ''}\n{format_attributes(product.attributes)}"

    # Быстрый классификатор
    top_categories = fast_classifier.predict_top_k(text, k=5)

    if top_categories[0].score > 0.85:
        return top_categories[0]  # высокая уверенность → сразу

    # Низкая уверенность → LLM для уточнения
    return llm_classify(product, top_categories)

Нижче — порівняння точності при різних комбінаціях ознак:

Чому мультимодальність підвищує точність?

Зображення містить інформацію, якої немає в тексті: фасон, колір, матеріал на вигляд. Для категорій на кшталт «Сукні» або «Кросівки» візуальні ознаки критичні. Ми використовуємо переднавчені vision-encoder (наприклад, CLIP), який видає ембеддінги, що об'єднуються з текстовими. Це особливо ефективно для товарів з бідним описом.

Обробка складних випадків

• Мультикатегорійні товари: «Чохол-книжка для телефона» — аксесуар чи чохол? Обидві категорії. Використовуємо мультилейбл-класифікацію.
• Невідповідність назви вмісту: «Набір для рукоділля» — що всередині? Потрібен опис. Якщо його немає, модель позначає товар на ручну перевірку.
• Нові категорії: автоматично створювати кластер «Невідома категорія» для рев'ю. Після підтвердження — донавчання моделі.

Метрики: Top-1 accuracy, Top-3 accuracy (товар в одній з 3 передбачених категорій). Типові результати: Top-1 90–95%, Top-3 97–99% для стандартних каталогів.

Що входить до нашої роботи?

1. Аудит даних: аналіз структури каталогу, якості розмітки, доступних ознак.
2. Проєктування моделі: вибір архітектури (BERT, ієрархічний, retrieval-based) під ваш кейс.
3. Навчання та валідація: на ваших даних з відстеженням метрик через MLflow.
4. Інтеграція: REST API або gRPC, документація, приклади коду.
5. Деплой та моніторинг: контейнеризація, A/B тестування, логування.
6. Навчання команди: як оновлювати модель, додавати нові категорії.

Терміни та вартість

Базове рішення — від 2 до 6 тижнів. Вартість розраховується індивідуально після аудиту ваших даних та вимог. Ми гарантуємо прозоре ціноутворення та фіксовані терміни. Сертифіковані інженери (TensorFlow, AWS, GCP) забезпечать стабільну роботу.

Замовте консультацію: ми оцінимо ваш каталог і запропонуємо оптимальне рішення. Отримайте демо-доступ до вже працюючої системи.

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.