Розробка NLP-систем: пайплайни, моделі та деплой

Проект NLP-системи часто починається з омани: «візьмемо BERT і все запрацює». Через місяць з'ясовується, що latency не проходить у прод, модель важить 1.5 ГБ, а F1 на російському тексті — 0.6. Ми бачили десятки таких проектів. Проблема не в моделі — у відсутності системного підходу до пайплайну. Ми будуємо production-ready NLP-системи для російської мови, які працюють у production: з контролем data drift, моніторингом метрик і вибором архітектури під задачу, а не під тренд. Обробка природної мови в російськомовному контексті потребує врахування морфології, вибору правильного пайплайну та MLOps-практик.

Проблеми, які вирішуємо

• Морфологія російської мови. Слово «розробка» має 12 форм. Без лематизації TF-IDF втрачає 40% сенсу. Використовуємо pymorphy3 або natasha — вони дають леми з точністю >95% для технічних текстів. pymorphy3 documentation підтверджує точність 97% для літературного тексту.
• Data drift. Через місяць після деплою розподіл токенів змінюється. Ми автоматично детектуємо зміщення і перезапускаємо цикл донавчання. Без цього F1 падає на 10–15% за квартал.
• Вибір архітектури. 80% задач класифікації вирішуються Logistic Regression + TF-IDF з F1 0.92–0.95. Fine-tuning BERT потрібен лише коли даних мало (<5k прикладів) або висока семантична складність (сарказм, контекстна залежність).

Як ми це робимо: кейс з нашої практики

Наш клієнт — фінтех-стартап. Задача: класифікація звернень клієнтів за 12 категоріями (претензія, повернення, консультація). Даних — 50k розмічених повідомлень. Наш підхід:

• Аналіз: дисбаланс класів (3 класи — 70% вибірки).
• Прототип: FastText + TF-IDF. F1 = 0.91. Час інференсу — 2 мс на CPU.
• Порівняли з BERT-base (fine-tune): F1 = 0.93, але latency 150 мс на GPU + вартість інференсу в 20 разів вища. FastText краще BERT за швидкістю в 75 разів при порівнянній якості.
• Підсумок: взяли FastText, додали rule-based корекцію для рідкісних класів. F1 = 0.93, деплой на 2 CPU, економія витрат на інфраструктуру в 10 разів.

Висновок: легке рішення + розумні правила часто б'ють важкий трансформер.

Як вибрати модель під задачу?

Чому морфологія — головний біль російського NLP?

В англійській токенізація тривіальна: split по пробілах. У російській «розроблений» і «розроблена» — різні токени, не схожі один на одного. Без лематизації модель не узагальнить. Ми використовуємо pymorphy3 — він дає лему з точністю 97% для літературного тексту, 93% для технічного. Для NER — natasha, вона враховує контекст і видає розмітку у форматі BIO. Морфологічний аналіз російської мови — обов'язковий етап у будь-якому NLP пайплайні.

Порівняння фреймворків для російської мови

Для production найчастіше вистачає spaCy. DeBERTa — тільки якщо потрібна максимальна якість.

Процес роботи

1. Аналітика — збір вимог, аудит даних, вибір метрик (F1, latency, cost).
2. Прототип — MVP за 1–2 тижні: пайплайн на легких моделях, оцінка baseline.
3. Навчання — якщо потрібно: fine-tuning трансформерів, аугментація даних, дистиляція.
4. Деплой — Docker, FastAPI, тритон-сервер (якщо GPU). CI/CD з тестами на data drift.
5. Моніторинг — логування метрик, алерти при падінні F1 > 5%.

Що входить в роботу

• Репозиторій з кодом пайплайну (Python, PyTorch/TensorFlow)
• Документація архітектури та API (OpenAPI)
• Налаштований CI/CD (GitHub Actions / GitLab CI)
• Моніторинг (Prometheus + Grafana дашборд)
• Навчання команди замовника (2–3 воркшопи)
• Гарантія на деплой — 3 місяці супроводу

Строки орієнтовно

• Прототип (базовий пайплайн): від 1 до 2 тижнів
• Production-рішення з однією задачею: від 3 до 5 тижнів
• Комплексна NLP-платформа (кілька задач): від 2 до 4 місяців

Вартість розраховується індивідуально — напишіть нам для оцінки вашого проекту.

Чому обирають нас

• Понад 5 років на ринку AI-рішень
• 30+ реалізованих NLP-проектів (фінтех, e-commerce, медицина)
• Досвід роботи з OpenAI, Yandex GPT, Hugging Face
• Сертифіковані спеціалісти з MLOps (Kubeflow, MLflow)

Зв'яжіться з нами, щоб обговорити ваш проект. Отримайте консультацію безкоштовно.

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from pymorphy3 import MorphAnalyzer
import re

morph = MorphAnalyzer()

def preprocess(text):
    tokens = re.findall(r'[а-яё]+', text.lower())
    lemmas = [morph.parse(tok)[0].normal_form for tok in tokens]
    return ' '.join(lemmas)

# Приклад використання
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform([preprocess(t) for t in train_texts])
model = LogisticRegression().fit(X_train, train_labels)

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.