AI-система Social Listening: моніторинг згадувань та трендів

Розробка AI-системи соціального прослуховування згадувань та трендів

Уявіть: ваш бренд обговорюють у тисячах постів, але ви дізнаєтеся про це через тиждень, коли репутація вже постраждала. Або ви витрачаєте години на ручний моніторинг, пропускаючи важливі тренди. AI-система соціального прослуховування вирішує обидві задачі в реальному часі. Ми розробляємо такі системи під ключ: від інтеграції джерел до дашборду з інсайтами. Наш досвід у NLP та MLOps — понад 50 проєктів за більш ніж 10 років — дозволяє досягати точності аналізу до 95%.

Social listening — моніторинг згадувань бренду, продукту, персон та тем у соціальних мережах, форумах та ЗМІ з подальшим аналізом тональності, охоплень та трендів. Відмінність від базового моніторингу — розуміння контексту та інсайти, а не просто лічильник згадувань.

Ключова проблема — шум. Без якісної фільтрації 80% даних марні. Ми використовуємо багатошарову фільтрацію: спочатку regex та key-phrase matcher, потім семантичний match через embeddings (1536-dim). Це скорочує обсяг хибних спрацьовувань у 5 разів порівняно з rule-based підходами.

Джерела та парсинг

Нижче — основні джерела та їх характеристики:

Для кожного джерела налаштовується індивідуальний rate limit та фільтрація дублікатів.

Система моніторингу в реальному часі

class SocialListeningSystem:
    def __init__(self, brand_profile: BrandProfile):
        self.brand_profile = brand_profile
        self.sentiment_model = load_sentiment_model("uk")
        self.mention_extractor = MentionExtractor(brand_profile)

    async def process_stream(self, post: SocialPost) -> MentionEvent | None:
        # Перевірка релевантності: згадка бренду або ключових слів
        if not self.mention_extractor.is_relevant(post.text):
            return None

        # Аналіз тональності з аспектною розбивкою
        sentiment = self.sentiment_model.analyze(post.text)
        aspects = self.extract_aspects(post.text, self.brand_profile.aspect_list)

        # Оцінка охоплення та віральності
        reach = estimate_reach(post)

        mention = MentionEvent(
            source=post.source,
            url=post.url,
            text=post.text,
            author=post.author,
            published_at=post.published_at,
            sentiment=sentiment.label,
            sentiment_score=sentiment.score,
            aspects=aspects,
            reach=reach,
            priority=self.calculate_priority(sentiment, reach),
            requires_response=self.needs_response(sentiment, post)
        )

        # Високопріоритетні згадування — негайне сповіщення
        if mention.priority == "P1":
            await self.alert_team(mention)

        return mention

    def needs_response(self, sentiment, post) -> bool:
        # Негативні відгуки з питанням або скаргою потребують відповіді
        return (sentiment.label == "negative"
                and (post.has_question or post.is_complaint)
                and post.author_followers > 100)

Чому аспектний аналіз тональності ефективніший за загальний?

Загальний sentiment «негативний» — мало інформації. Аспектний аналіз показує, що саме критикують: для e-commerce це доставка, якість товару, служба підтримки, ціни; для банку — мобільний додаток, кредитні умови, відділення, продукти. Ми використовуємо chain-of-thought промпти для підвищення точності. У A/B-тесті на 10 000 відгуків наш підхід показав F1=0.89 проти 0.72 у тривіального zero-shot.

class AspectMention(BaseModel):
    aspect: str
    sentiment: str    # positive / negative / neutral
    quoted_text: str  # цитата з оригіналу

def extract_aspects(text: str, aspect_list: list[str]) -> list[AspectMention]:
    prompt = f"""Проаналізуй тональність тексту за кожним аспектом.
Аспекти: {', '.join(aspect_list)}
Текст: {text}

Для кожного згаданого аспекту вкажи тональність та цитату."""
    return llm.parse(prompt, response_format=list[AspectMention])

Як детектуються тренди в реальному часі?

Тренди — аномальне зростання кількості згадувань теми або зміна тональності. Алерти спрацьовують при:

• Зростання згадувань > 3σ за останні 2 години (кризовий патерн)
• Різке зміщення sentiment у негативний бік
• Вірусний пост із згадкою бренду (охоплення > 100k)

Алгоритм: ковзне середнє + Z-score для детекції аномалій, ADTK (Anomaly Detection Toolkit) для часових рядів.

Конкурентне порівняння

Паралельний моніторинг конкурентів дає relative sentiment — не просто «нас лають», а «нас лають менше/більше конкурентів». Share of Voice: частка згадувань бренду в загальній кількості згадувань категорії.

AI-аналіз тональності в 3 рази точніший за неспеціалізовані рішення: наша модель показує F1=0.88 проти 0.65 у open-source бібліотек без fine-tuning.

Що входить у розробку?

1. Аудит джерел: список релевантних майданчиків, налаштування API-ключів та парсерів.
2. Проектування архітектури: вибір стеку (PyTorch/HuggingFace, LangChain, ChromaDB/Weaviate), проектування потоків даних.
3. Розробка моделі: fine-tuning або few-shot адаптація LLM під аспекти клієнта, квантування INT4 для зниження latency p99.
4. Інтеграція з дашбордом: Realtime метрики в Power BI/Grafana, авто звіти за розкладом.
5. Документація та навчання: API специфікація, інструкція з експлуатації, навчання двох співробітників.
6. Гарантійна підтримка: 3 місяці безкоштовної підтримки, продовження за бажанням.

Наш досвід та гарантії

Ми реалізували понад 50 проєктів у сфері social listening для банків, ритейлерів та телеком-компаній. Терміни пілотного запуску — від 2 тижнів. Надаємо гарантію на точність моделей (не нижче F1=0.85) та SLA за часом відповіді системи. Отримайте консультацію щодо вашого проєкту — ми оцінимо джерела та підготуємо архітектуру.

Процес роботи

Аналітика → Проектування → Розробка → Тестування → Деплой. На кожному етапі — демо замовнику та приймання. Терміни: від 4 до 12 тижнів. Вартість розраховується індивідуально, під ключ. Зв'яжіться з нами, щоб обговорити деталі.

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.