Навчання NER-моделі: Named Entity Recognition під ключ

Ви працюєте з доменними текстами — медичними, юридичними, фінансовими. Стандартні NER моделі (наприклад, spaCy або Stanford NER) пропускають до 30% специфічних сутностей: номери ліцензій, коди препаратів, посилання на законодавчі акти. Кастомна модель на TokenClassification вирішує проблему — ми навчаємо її з точністю F1 до 97%. За 5+ років досвіду в NLP та 30+ виконаних проєктах ми навчилися обходити типові пастки: незбалансовану розмітку, рідкісні типи та неоптимальний вибір переднавченої моделі. Вартість навчання простої NLP моделі від $500, а повного циклу з аудитом даних — $2000.

Розпізнавання іменованих сутностей (NER) — це задача вилучення сутностей. Fine-tuning на кастомних типах — стандартна практика, але підводних каменів багато: від помилок в IOB2-розмітці до некоректного підрахунку loss на спеціальних токенах.

Які проблеми вирішуємо

• Хаотична розмітка: IOB2-теги з пропусками та перекриттями знижують F1 на 10–15%. Ми проводимо аудит, виправляємо інконсистентність та стандартизуємо формат.
• Рідкісні сутності: тип "Номер ліцензії" може зустрітися 20 разів на 10 000 документів. Без oversampling або аугментації модель просто не навчиться його виділяти. Використовуємо заміну сутностей із визначеного словника — це дає приріст F1 до 8%.
• Вибір моделі: DeepPavlov/rubert-base-cased дає 94% на PER, але на кастомних юридичних сутностях може впасти до 70%. Ми тестуємо 3–4 переднавчені моделі (ruBERT, XLM-R, mBERT) і обираємо найкращу під ваш домен. DeepPavlov/rubert в 1.5 рази точніший за mBERT на російськомовних кастомних сутностях, а наша модель в 2 рази швидше за аналогів.

[CLS] Пацієнт [B-PER] Іванов [I-PER] скаржиться [O] на [O] головний [B-SYMPTOM] біль [I-SYMPTOM] . [O] Діагноз [O] : [O] мігрень [B-DIAGNOSIS] . [O] Призначено [O] парацетамол [B-DRUG] . [SEP] 

Як ми це робимо

Розглянемо кейс: медичні протоколи, де потрібно виділяти сутності "Симптом", "Діагноз", "Ліки". Вихідна розмітка — 500 речень в IOB2. Ми:

1. Виправляємо помилки: в 10% речень плутанина між B-Diagnosis і I-Diagnosis.
2. Аугментуємо: замінюємо назви препаратів зі словника аналогів, збільшуємо вибірку до 1500 речень.
3. Fine-tune на DeepPavlov/rubert-base-cased: 10 епох, batch size 16, learning rate 5e-5.
4. Оцінка: seqeval, F1 за сутностями: симптом — 91%, діагноз — 94%, ліки — 96%.

Процес fine-tuning на TokenClassification:

from transformers import AutoModelForTokenClassification, TrainingArguments, Trainer from transformers import DataCollatorForTokenClassification label_list = ["O", "B-PER", "I-PER", "B-ORG", "I-ORG", "B-LOC", "I-LOC"] label2id = {l: i for i, l in enumerate(label_list)} id2label = {i: l for l, i in label2id.items()} model = AutoModelForTokenClassification.from_pretrained( "DeepPavlov/rubert-base-cased", num_labels=len(label_list), id2label=id2label, label2id=label2id ) data_collator = DataCollatorForTokenClassification(tokenizer) training_args = TrainingArguments( output_dir="./ner_model", num_train_epochs=10, # NER вимагає більше епох ніж класифікація per_device_train_batch_size=16, learning_rate=5e-5, weight_decay=0.01, ) 

Метрики NER: бібліотека seqeval (формат BIO)

import evaluate seqeval = evaluate.load("seqeval") def compute_metrics(p): predictions, labels = p predictions = np.argmax(predictions, axis=2) true_predictions = [ [label_list[p] for (p, l) in zip(pred, label) if l != -100] for pred, label in zip(predictions, labels) ] true_labels = [ [label_list[l] for (p, l) in zip(pred, label) if l != -100] for pred, label in zip(predictions, labels) ] results = seqeval.compute(predictions=true_predictions, references=true_labels) return {"f1": results["overall_f1"], "precision": results["overall_precision"]} 

Процес роботи

1. Аналітика: вивчаємо ваш домен, список сутностей, обсяг даних.
2. Аудит та підготовка розмітки: перевірка IOB2, аугментація, фікс помилок.
3. Вибір моделі: тестуємо 3 архітектури на валідаційній вибірці.
4. Fine-tuning з гіперпараметрами: learning rate, епохи, шедулінг.
5. Тестування: на відкладеній вибірці з оцінкою за типами.
6. Деплой: конвертація в ONNX, інтеграція через REST API або бібліотеку.

Що входить в роботу

• Підсумковий звіт з метриками по кожному типу сутності.
• Код fine-tuning та інференсу (Jupyter notebook або Python скрипт).
• Модель у форматі ONNX або TorchScript для продакшену.
• Коротка документація по параметрах та підтримуваним сутностям.
• Підтримка 2 тижні після здачі — відповідаємо на питання по доналаштуванню.

Як обрати архітектуру моделі?

DeepPavlov/rubert дає найкращий F1 на російській для стандартних сутностей, але для кастомних з малою кількістю даних XLM-RoBERTa може бути стабільнішою.

Порівняння методів аугментації

Чому важлива якісна розмітка?

IOB2-розмітка — ключовий фактор. Помилки типу пропущеного B-тега або перекриття сутностей знижують підсумковий F1 на 10–20%. Ми гарантуємо, що після аудиту розмітки та виправлення помилок ви отримаєте приріст точності щонайменше на 5% при тому ж обсязі даних.

Типові помилки при fine-tuning

• Замало епох: 3 епохи для NER недостатньо, потрібно 8–12.
• Незбалансований batch: якщо один тип сутностей зустрічається в 90% речень, використовуємо weighted loss або undersampling.
• Ігнорування special tokens: не забувайте маскувати [CLS], [SEP] та паддінги при розрахунку loss.

Метрики та гарантії

Спираємося на seqeval для прозорої оцінки. Типові F1 після нашого налаштування: PER 94–97%, ORG 88–93%, кастомні доменні сутності 80–92%. Даємо гарантію на стабільність метрик на тестовій вибірці: якщо F1 виявиться нижчим за заявлений на 5% і більше, доналаштовуємо безкоштовно.

Пропонуємо навчання NER-моделей під ключ: від аудиту до деплою. Термін виконання від 2 до 7 днів. У вартість входить документація та підтримка. Напишіть нам, і ми оцінимо ваш проект безкоштовно. Оцінимо проект та підберемо оптимальну архітектуру, обсяг розмітки. Замовте навчання моделі NER вже сьогодні: пишіть на пошту або в месенджер, відповімо протягом години.