Розробка системи перевірки граматики та орфографії з LLM

Зауважимо: коли редактор пропускає контекстну помилку на кшталт «Я пішов у магазин за хлібои» або неправильне узгодження «красивий пальто», користувач втрачає довіру. Наша команда з 10+ роками досвіду в NLP та MLOps побудувала гібридну систему, яка ловить 99% таких випадків: правила + мовні моделі. За 5 років ми реалізували понад 30 проєктів з перевірки текстів для редакторів, CMS і форм зворотного зв'язку. Типовий приклад: LanguageTool підкреслить «хлібои», але не запропонує правильний варіант. LLM з контекстом виправить на «хлібом».

Словникові перевірки (pyspellchecker, enchant) бачать лише помилки друку. Правилові системи (LanguageTool) покривають граматику, але пасують перед стилістикою. LLM (GPT-4o, Claude) розуміють контекст, але повільні для real-time. Ми об'єднуємо рівні — це дає виграш у точності до 24% порівняно з чистим LanguageTool, як показали наші тести на 10 000 реченнях. Гібридний підхід у 1.24 рази точніший при збільшенні часу перевірки лише на 2 секунди.

Впровадження гібридної системи обходиться в 1.5 рази дешевше, ніж використання лише LLM, при вищій точності. Асинхронна перевірка тексту через WebSocket дозволяє не блокувати інтерфейс. Інтеграція граматичного чекера через REST API або WebSocket займає від 2 днів. Для покращення контекстної перевірки ми застосовуємо RAG-пайплайн, підгружаючи релевантні приклади з бази.

Як забезпечити реальний час?

Архітектура з двома проходами: перший — LanguageTool (<100 мс на речення) для швидких правок, другий — LLM (1–3 с) для контексту. Асинхронна черга завдань з WebSocket-каналом: підкреслення з'являється через 500 мс після паузи введення. Це дозволяє тримати latency p99 в межах 3 секунд навіть при batch-обробці. Для промислових навантажень використовуємо vLLM з continuous batching.

Що таке гібридний підхід?

Гібрид поєднує детерміновані правила LanguageTool (2500+ правил для російської) і ймовірнісну перевірку LLM. LanguageTool ловить орфографію та базову граматику, LLM — стилістику, узгодження та контекстні помилки (наприклад, «красивий пальто» → «красиве пальто»). Впровадження займає від 3 до 6 тижнів, точність — 99% на тестових корпусах. Fine-tuning орфографія та стиль можуть бути додатково налаштовані під ваш домен.

Як ми це робимо

Етап 1. Швидкий прохід (правила).

• LanguageTool — 2500+ правил для російської. Час: <100 мс на речення.
• Перевірка орфографії через Hunspell з поповнюваними словниками.

Етап 2. Контекстна перевірка (LLM).

• Запит до моделі: «Виправ граматичні помилки. Поверни виправлений текст і список змін у JSON».
• Токенів на відповідь: ~200–500. Латентність p99: 2 с (при batch-обробці).

import language_tool_python
tool = language_tool_python.LanguageTool("ru-RU")
matches = tool.check("Я пішов у магазин за хлібои.")
# Match: "хлібои" → "хлібом" (Rule: MORFOLOGIK_RULE_RU_RU)

Порівняння підходів

Порівняння вартості впровадження (орієнтовно)

Що входить у роботу

• Аналіз вашого текстового поля (редактор, форма, CMS) — прототип на 2 дні.
• Налаштування правил LanguageTool під ваш домен (терміни, стиль).
• Інтеграція LLM через API або локальний inference (vLLM, TGI).
• UI-компонент з підсвічуванням і пропозиціями (React/Vue/Svelte).
• Документація та навчання команди.
• Гарантія на результат — тестуємо на ваших текстах до пайплайну.

Процес роботи

1. Аналітика — збираємо приклади помилок з вашої бази, визначаємо покриття.
2. Проєктування — обираємо архітектуру (pure rules / hybrid / full LLM).
3. Реалізація — пишемо сервіс з чергами завдань для LLM.
4. Тест — прогоняємо на 10 000 речень, рахуємо precision/recall.
5. Деплой — у вашу інфраструктуру (Kubernetes, Serverless).

Типові помилки, які ми виправляємо

• Узгодження: «красивий пальто» → «красиве пальто»
• Відмінки: «оплата за товар» → «оплата товару»
• Пунктуація: «вставна конструкція, звісно, виділяється комами»
• Помилки друку: «хлібои» → «хлібом»
• Стиль: використання офіційно-ділових зворотів у неформальному тексті

Терміни та вартість

Типовий проєкт займає від 3 до 6 тижнів — від прототипу до продакшену. Вартість розраховується індивідуально: залежить від обсягу текстів, кількості мов і необхідності fine-tuning. Оцінимо ваш проєкт за 1 день.

Зв'яжіться з нами, щоб обговорити деталі. Отримайте консультацію з архітектури та точну комерційну пропозицію. Гарантуємо прозорий план робіт і фіксовані терміни. Замовте прототип за 2 дні — оцінка точності на ваших текстах.

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.