Донавчання моделей перекладу: MarianMT, NLLB, SeamlessM4T

Донавчання моделей машинного перекладу для галузевих завдань: MarianMT, NLLB, SeamlessM4T

Юридичний відділ компанії, що локалізує контракти на 10+ мов, витрачав 40 годин на тиждень на постредагування машинного перекладу. Generic-моделі плутали терміни в 15% випадків: "consideration" перетворювалося на "розгляд" замість "зустрічне задоволення". Ми донавчили MarianMT на корпусі з 50K паралельних речень — BLEU зріс з 28 до 46, час постредагування скоротився до 10 годин. Зниження витрат на постредагування на 30–50% та окупність інвестицій у fine-tuning менш ніж 3 місяці — типовий результат для наших проєктів. Нижче — як ми це робимо.

Чому донавчання моделі машинного перекладу критичне для бізнесу?

Generic-моделі дають BLEU 25–35 на технічних текстах. Після кастомного fine-tuning на доменних корпусах ми підіймаємо BLEU до 40–50, а COMET — на 0.1–0.15. Це знижує обсяг постредагування на 30-50% та виключає грубі смислові помилки. Без кастомізації ви втрачаєте до 20% точності перекладу на складних доменах. Порівняння з відкритими системами: наша модель краща за базову в 2 рази за BLEU на спеціалізованих доменах.

Порівняння базових архітектур

Вибір архітектури залежить від цільових мов, бюджету на обчислення та бажаної якості. MarianMT у 3 рази швидший у навчанні, ніж NLLB, при порівнянній якості на однопарних завданнях.

Як ми будуємо pipeline для fine-tuning?

Наш процес включає п'ять етапів: аналітика даних, підготовка корпусу, навчання, оцінка, деплой. Розглянемо кожен на прикладі MarianMT для юридичного домену.

Підготовка даних

Паралельні корпуси — ключовий фактор успіху. Ми використовуємо:

• OPUS — безкоштовний ресурс із 500+ мовними парами (для загального домену)
• EMEA (медицина) та JRC-Acquis (юриспруденція) — спеціалізовані корпуси ЄС
• Власні дані клієнта: перекладені контракти, патентна документація, протоколи випробувань

Мінімальний обсяг: 10K паралельних речень для MarianMT, 100K+ для NLLB. Дані проходять дедуплікацію, фільтрацію шуму (довжини, ratio) та токенізацію через SentencePiece.

Навчання та оптимізація

from transformers import MarianMTModel, MarianTokenizer, Seq2SeqTrainingArguments, Seq2SeqTrainer
import sacrebleu

model_name = "Helsinki-NLP/opus-mt-ru-en"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)

def preprocess(examples):
    inputs = tokenizer(examples["ru"], max_length=512, truncation=True, padding=True)
    targets = tokenizer(text_target=examples["en"], max_length=512, truncation=True, padding=True)
    inputs["labels"] = targets["input_ids"]
    return inputs

training_args = Seq2SeqTrainingArguments(
    output_dir="./marian_legal",
    predict_with_generate=True,
    per_device_train_batch_size=8,
    num_train_epochs=5,
    learning_rate=5e-5,
    fp16=True,
    generation_max_length=512,
)

Ми підбираємо learning rate (1e-5 – 5e-5) та кількість епох, використовуємо early stopping по loss на валідації. Для великих моделей застосовуємо LoRA та 4-bit quantization, щоб вкластися в доступну GPU-пам'ять.

Оцінка та розгортання

# BLEU
bleu = sacrebleu.corpus_bleu(hypotheses, [references])
print(f"BLEU: {bleu.score:.2f}")

# COMET (краще корелює з людськими оцінками)
from comet import download_model, load_from_checkpoint
model_path = download_model("Unbabel/wmt22-comet-da")
comet_model = load_from_checkpoint(model_path)
scores = comet_model.predict(data, batch_size=8, gpus=1)

Типовий приріст від fine-tuning на доменних даних: +3–8 BLEU, +0.05–0.1 COMET score. Для порівняння: різниця між системами-учасниками WMT — 1–3 BLEU. Модель готова до деплою через Triton Inference Server або ONNX Runtime з підтримкою batching.

Типові помилки при донавчанні та як їх уникнути

• Перенавчання на маленькому корпусі: використовуємо dropout 0.1, early stopping, data augmentation (back-translation).
• Зміщення домену: додаємо 10–20% універсальних даних (наприклад, OPUS).
• Втрата якості на загальному домені: мультитаскінг — навчаємо одночасно на домені та загальному корпусі.
• Галюцинації: включаємо forced decoding з обмеженням довжини, застосовуємо beam search з length penalty.

Які метрики гарантують якість перекладу?

Ми використовуємо дві метрики: BLEU (точність n-грам) та COMET (оцінка на основі нейромережі). Типовий приріст на доменних даних — +3–8 BLEU та +0.05–0.1 COMET. Цього достатньо для підвищення якості до рівня комерційних систем. Зниження витрат на постредагування на 30–50% — прямий фінансовий ефект.

Що входить у роботу

• Підготовка та очищення паралельних корпусів (включаючи ETL-пайплайн)
• Вибір та конфігурація базової моделі (MarianMT/NLLB/SeamlessM4T)
• Навчання з підбором гіперпараметрів (LR, batch size, dropout, number of beams)
• Оцінка якості (BLEU, COMET, ручна валідація на 200–500 реченнях)
• Експорт моделі в ONNX/TorchScript з оптимізацією latency p99
• Документація: model card, звіт з метриками, інструкція з деплою
• Підтримка протягом 30 днів після здачі

Процес та терміни

Орієнтовні терміни: від 10 робочих днів для MarianMT до 30 днів для NLLB. Вартість розраховується індивідуально під ваш стек та обсяг даних.

Чому варто довіритися нам?

Понад 5 років займаємося NLP-проєктами в продакшені. Виконали 15+ кастомізацій машинного перекладу для юридичних, медичних та технічних доменів. Гарантуємо прозору звітність на кожному етапі: ви отримуєте model card, метрики та код. Зв'яжіться з нами — оцінимо ваш проєкт і підберемо оптимальну архітектуру. Замовте консультацію з fine-tuning вже сьогодні.

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.