Автоматичне вилучення фактів: LLM та NLP пайплайни

Щодня компанії обробляють тисячі документів: договори, рахунки, звіти, новини. Ручний пошук сутностей — сторін, сум, термінів — займає години і дає 70–80% точності. Типова помилка: пропуск дати або неправильна прив'язка контрагента — веде до штрафів і зриву термінів. Information extraction (IE) вирішує цю проблему: вилучає сутності, відношення та події з точністю до 95%. Вилучення фактів з тексту перестає бути рутиною.

Ми автоматизуємо повний цикл: від парсингу до нормалізації. Використовуємо LLM (GPT-4o, Claude, LLaMA 3) та класичні NLP-пайплайни. Обираємо підхід під задачу — або комбінуємо. Гібридна архітектура дозволяє досягти F1 до 95% при затримці менше 200 мс. Середня економія на ручній обробці — до 60% витрат або 500 людино-годин на місяць.

Які типові помилки допускають при вилученні даних?

При вилученні з договорів часто плутають назви компаній через опечатки або скорочення — «ТОВ Ромашка» і «Ромашка ТОВ» вважаються різними. Нормалізація за допомогою edit distance (Levenshtein) та synonym dictionaries вирішує проблему. Дублікати сутностей — одна й та сама інформація зустрічається в різних документах з різними атрибутами. Використовуємо entity linking через граф знань. Нарешті, неоднозначність контексту: слово «рахунок» може бути банківським рахунком або рахунком на оплату. Disambiguation через LLM з few-shot прикладами.

Чому LLM виграє у класичних пайплайнів?

LLM з structured output (Pydantic, OpenAI function calling) справляються з вилученням без тонкого налаштування. Приклад:

from pydantic import BaseModel
from openai import OpenAI

class CompanyInfo(BaseModel):
    name: str
    revenue: float | None
    revenue_year: int | None
    ceo: str | None
    headquarters: str | None
    employees_count: int | None

client = OpenAI()
response = client.beta.chat.completions.parse(
    model="gpt-4o-mini",
    messages=[{
        "role": "user",
        "content": f"Извлеки информацию о компании из текста:\n{text}"
    }],
    response_format=CompanyInfo,
)
result = response.choices[0].message.parsed

Цей код працює для будь-яких текстів — від фінансових звітів до новин. Без розмітки, без pipeline. Але для >1000 док/год та latency <100 мс класичний pipeline дешевший і швидший. Нещодавно на проєкті з маркетплейсом ми вилучили 500k+ товарних карток з 1 млн PDF. Використовували комбінацію OCR (Tesseract) + LayoutLM для таблиць + GPT-4o для вилучення атрибутів. F1 на тестовій вибірці — 93%.

Порівняння підходів

Як вилучення фактів з тексту вирішує проблему обробки документів?

Вилучення фактів з тексту — ключовий етап побудови баз знань. У типовому проєкті ми проходимо п'ять етапів:

Терміни: від 2 тижнів до 2 місяців залежно від складності. Вартість розраховується індивідуально.

Що входить в роботу?

• Аналітичний звіт із виділеними сутностями та відношеннями
• Навчена модель або пайплайн (LLM або класичний)
• REST API з документацією (OpenAPI)
• Інтеграція з CRM (Bitrix24, 1С та ін.)
• Навчання співробітників (до 5 днів)
• Технічна підтримка на 3 місяці

Покроковий процес впровадження

1. Аудит даних — збір зразків документів, визначення цільових сутностей і метрик якості
2. Вибір архітектури — тестування LLM, BERT, spaCy на ваших даних, фіксація baseline
3. Розробка пайплайну — написання коду, налаштування inference, оптимізація latency
4. Тестування — розрахунок Precision/Recall/F1, A/B-тести, коригування
5. Деплой — контейнеризація, розгортання на вашій інфраструктурі або в хмарі
6. Супровід — моніторинг метрик, донавчання при зміні даних

Оцінка якості вилучення

Метрики Precision/Recall/F1 розраховуються по кожному типу сутностей. Для відношень — relation-level F1, для слотів — accuracy заповнення. Типові результати: 90–95% F1 на звітах, 75–85% на новинах.

Детальніше про метрики: F1 — гармонійне середнє Precision і Recall. Для кожного типу сутності рахуємо окремо. Якщо важлива повнота (наприклад, пошук всіх згадок), налаштовуємо пайплайн з пріоритетом Recall (до 98%) за рахунок точності.

Гарантуємо: фіксовані метрики якості в договорі, сертифіковані інженери з досвідом 10+ проєктів (NLP, Computer Vision, LLM), підтримка після впровадження. Якщо ви хочете автоматизувати вилучення даних з ваших документів, зв'яжіться з нашими інженерами для консультації. Замовте пілотний проєкт без передоплати — оцінимо ваш кейс за 2 дні.

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.