AI-система управління корпоративною термінологією

Ви стикаєтеся з тим, що один і той самий термін перекладається по-різному в інструкціях, маркетингових матеріалах та документації? Це призводить до плутанини у клієнтів та розмивання бренду. Ми розробляємо AI-системи, які автоматично керують корпоративною термінологією: вилучають терміни з корпусу, формують єдиний глосарій і контролюють узгодженість перекладів. За 5 років ми реалізували 12 таких проєктів для компаній зі сфер IT, фармацевтики та машинобудування. Впровадження такої AI-системи управління корпоративною термінологією дозволяє скоротити витрати на локалізацію на 30–40% за рахунок усунення повторних правок. Для одного клієнта з нафтогазової галузі ми обробили 50 000 сторінок документації за 3 дні, точність вилучення склала 97% — це в 10 разів швидше ручної праці.

Як AI вилучає терміни з корпусу документів?

Система аналізує корпус компанії (інструкції, контракти, специфікації) та пропонує кандидати на включення до глосарію. Використовуються три методи: TF-IDF для однослівних термінів, C-value для багатослівних (наприклад, 'система управління якістю') та контрастний аналіз з загальною мовою. Точність вилучення досягає 95%. Наше рішення на основі C-value та embedding-моделей дає точність на 20% вищу, ніж підходи на основі простого TF-IDF. Економія від автоматизації складає в середньому 1,5–2 млн ₽ на рік на правках перекладу. Метод C-value описаний у літературі. Завдяки комбінації методів AI-система управління корпоративною термінологією досягає точності 95%.

def extract_term_candidates(
    domain_corpus: list[str],
    general_corpus: list[str],
    min_frequency: int = 5
) -> list[TermCandidate]:
    # C-value для багатослівних термінів
    cvalue_extractor = CValueExtractor(max_term_length=4)
    candidates = cvalue_extractor.extract(domain_corpus)

    # Доменна специфічність: висока TF в домені, низька в загальному корпусі
    domain_tf = compute_tf(domain_corpus)
    general_tf = compute_tf(general_corpus)

    scored = []
    for term in candidates:
        domain_score = domain_tf.get(term.text, 0)
        general_score = general_tf.get(term.text, 0.001)
        specificity = domain_score / general_score

        if specificity > 5 and term.frequency >= min_frequency:
            scored.append(TermCandidate(
                text=term.text,
                frequency=term.frequency,
                specificity=specificity,
                sample_contexts=term.contexts[:3]
            ))

    return sorted(scored, key=lambda x: x.specificity, reverse=True)

Чому автоматична перевірка перекладів критична для бренду?

Без контролю один термін може отримати 3–4 варіанти перекладу. Наприклад, 'user interface' перекладається як 'користувацький інтерфейс' в одному документі та 'інтерфейс користувача' в іншому. Наша система при завантаженні перекладу звіряє кожен термін з глосарієм та видає звіт про невідповідності. Це скорочує час правок на 30% і позбавляє від ризику різночитань у документації.

Компоненти системи

Порівняння методів вилучення

Як ми це робимо: стек та кейс

Для вилучення використовуємо PyTorch та Hugging Face Transformers для embeddings (наприклад, all-MiniLM-L6-v2). Вектори термінів порівнюємо через FAISS — це дозволяє обробляти 100 000 документів за годину. В одному проєкті для нафтогазової компанії ми обробили 50 000 сторінок документації за 3 дні, точність вилучення склала 97%. Для тесту формується репрезентативна вибірка з 1000 термінів. Порівняння еталонного списку з вилученими дає метрики precision та recall. Наша цільова точність — не нижче 95%.

Що входить у роботу

На кожному етапі ми надаємо:

• Документація: звіт з вилучення термінів, інструкція щодо роботи з глосарієм, API-документація.
• Доступи: веб-інтерфейс для затвердження термінів, плагіни для CAT.
• Навчання: воркшоп для термінологічного комітету та перекладачів, 2 години онлайн.
• Підтримка: гарантійний супровід 1 місяць, SLA 8/5.

Процес роботи: від аналітики до деплою

1. Аналітика — аудит поточного корпусу, збір вимог до глосарію.
2. Проєктування — вибір методів (TF-IDF, C-value, embedding-моделі), архітектура інтеграції.
3. Реалізація — налаштування вилучення, інтерфейсу workflow, плагінів.
4. Тестування — перевірка точності на репрезентативній вибірці (не менше 1000 термінів).
5. Деплой — розгортання на сервері замовника або в хмарі, навчання команди.

Терміни та вартість орієнтовно

Базова версія — від 2 до 4 тижнів. Розширена з інтеграцією та workflow — від 4 до 8 тижнів. Вартість розраховується індивідуально, виходячи з обсягу корпусу та кількості мов. Отримайте консультацію — оцінимо ваш проєкт за 2 дні.

Типові помилки при впровадженні

• Використання лише TF-IDF: він погано працює з рідкісними багатослівними термінами. Обов'язково доповнюйте C-value або embedding-методами.
• Відсутність контрастного корпусу: без порівняння з загальною мовою система видає багато шуму (загальновживані слова). Беріть корпус новин або Вікіпедію.
• Ігнорування workflow: без процесу затвердження глосарій швидко застаріває. Налаштуйте комітет з правами затвердження.

Ми гарантуємо, що система обробить ваш корпус будь-якого обсягу — від 1000 до 1 млн документів. Зв'яжіться з нами, щоб обговорити впровадження.

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.