AI-система оцінки якості перекладу: QE без еталонів

Проблема: BLEU не бачить помилок стилю та термінології

Перекладач витратив дві години на пост-редагування перекладу, який система оцінила як 0.95 BLEU. Клієнт повернув проєкт через невідповідність style guide та неправильне використання термінів. BLEU порівнює з еталоном, але еталон часто не враховує контекст, тон та галузеву лексику. Ми вирішуємо це завдання за допомогою Quality Estimation (QE) — AI-системи, яка оцінює переклад без еталону, як людина-ревізор. Економія бюджету на рев'ю може сягати 60%.

Як працює оцінка якості без еталонного перекладу (QE)

Quality Estimation аналізує вихідний текст та переклад, обчислюючи score 0–1 на рівні сегмента, слова та документа. Сегментний рівень показує, які речення потребують перевірки. Словний рівень (word-level QE) розмічає кожне слово як OK або BAD — ревізор одразу бачить помилку. Документний рівень оцінює когерентність, послідовність термінології та стилістичну єдність.

Як QE економить 40–60% часу ревізора?

Припустимо, ви обробляєте 10 000 сегментів на день. Без QE ревізор переглядає кожен. З QE — лише сегменти з score < 0.7 (зазвичай 20–30%). При порозі 0.9 для автопублікації, 10–15% сегментів ідуть без перевірки. Ми впровадили такий pipeline у проєкті локалізації фінтех-додатку: ревізор став обробляти 3 000 сегментів замість 10 000, помилки стилю знизилися на 80%.

Чому CometKiwi кращий за BLEU для QE?

CometKiwi (Unbabel/wmt22-cometkiwi-da) — модель на основі трансформерів, навчена на тисячах оцінок від людей. Вона перевершує BLEU та традиційні метрики за кореляцією з людською оцінкою. Ось порівняння основних метрик:

CometKiwi не вимагає еталону та дає word-level помилки через MQM-таксономію.

Які типи помилок класифікує QE?

Ми використовуємо MQM-таксономію, яка ділить помилки на чотири класи:

• Accuracy — неправильний переклад, пропуски, додавання.
• Fluency — граматика, орфографія, пунктуація.
• Terminology — порушення глосарію, непослідовне використання термінів.
• Style — невідповідність tone of voice, стилістичні розбіжності.

При впровадженні QE часто допускають типові помилки: використовують модель без донавчання під пару мов (падає precision), неправильно вибирають поріг score (пропускають помилки або перевантажують ревізора), ігнорують word-level QE (втрачають контекст окремих слів) та не інтегрують MQM (складно покращити процес).

Як ми впроваджуємо QE у ваш pipeline

1. Аудит поточного процесу: вимірюємо volume, latency, поточні метрики.
2. Вибір моделі: CometKiwi, OpenKiwi або донавчання під вашу пару мов.
3. Інтеграція: REST API або gRPC — загортаємо в мікросервіс.
4. Налаштування MQM-таксономії: підключаємо класифікатор типів помилок через LLM (GPT-4o або LLaMA 3).
5. Тестування: вимірюємо precision/recall на вашому датасеті.
6. Деплой: Kubernetes + GPU (T4 або A10).

from transformers import AutoModelForSequenceClassification, AutoTokenizer

class QualityEstimator:
    def __init__(self, model_name: str = "Unbabel/wmt22-cometkiwi-da"):
        self.model = load_comet_model(model_name)

    def estimate_segment(self, source: str, hypothesis: str) -> QEScore:
        score = self.model.predict(
            [{"src": source, "mt": hypothesis}],
            batch_size=8
        ).scores[0]

        return QEScore(
            score=score,              # 0-1, де 1 = відмінна якість
            requires_review=score < 0.7,
            error_probability=1 - score
        )

    def estimate_batch(
        self,
        segments: list[tuple[str, str]]
    ) -> list[QEScore]:
        data = [{"src": src, "mt": mt} for src, mt in segments]
        scores = self.model.predict(data, batch_size=32).scores
        return [QEScore(score=s, requires_review=s < 0.7) for s in scores]

Порівняння моделей QE

Що входить у роботу

• Аудит поточного pipeline перекладу з вимірюванням метрик.
• Вибір та налаштування QE-моделі (CometKiwi, OpenKiwi, донавчання).
• Інтеграція через REST API або gRPC з документацією.
• Навчання градації помилок під вашу MQM-таксономію.
• Розгортання на інфраструктурі (Kubernetes, GPU).
• Навчання команди та супровід 1 місяць.

Терміни та вартість

Терміни — від 2 до 6 тижнів залежно від складності (обсяг, кількість мов, необхідність донавчання). Вартість розраховується індивідуально. Отримайте консультацію — надішліть опис поточного pipeline, і ми оцінимо проєкт за 2 дні.

Чому варто працювати з нами

• Понад 5 років досвіду в NLP та машинному перекладі.
• Реалізували 15+ проєктів оцінки якості для fintech, e-commerce та локалізації ПЗ.
• Сертифіковані інженери з PyTorch та MLOps.
• Гарантуємо економію часу ревізора від 40% або повертаємо гроші.

Детальніше про Quality Estimation на Wikipedia.

Зв'яжіться з нами, щоб отримати консультацію з впровадження QE у ваш процес перекладу. Замовте оцінку вашого проєкту за 2 дні — надішліть опис поточного pipeline.

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.