Prodigy з Active Learning: прискорення розмітки даних

Що дає інтеграція Prodigy

Ваша команда витрачає тижні на ручну анотацію NER-датасетів, а якість все одно кульгає? Ми стикалися з цим десятки разів. Один з наших клієнтів — фінтех-компанія — витрачав 3 місяці на розмітку 10 000 юридичних документів для вилучення сутностей. Після впровадження Prodigy з active learning той самий обсяг зайняв 3 тижні, а F1-міра зросла на 12%. Інтеграція Prodigy з активним навчанням скорочує час анотації в 2-3 рази та підвищує повноту розмітки.

Prodigy — професійний інструмент від творців spaCy, оптимізований для NLP: розпізнавання сутностей, класифікація тексту, семантична схожість. Вбудований active learning спрямовує анотатора на найінформативніші приклади — ті, де модель найменш впевнена. Active learning скорочує обсяг розмітки в 2-3 рази порівняно з випадковим відбором. Prodigy в 3 рази швидший за ручну розмітку.

Як активне навчання прискорює розмітку?

Active learning працює за циклом: модель навчається на невеликому початковому датасеті, потім Prodigy відбирає приклади з високою невизначеністю (наприклад, ентропія >0.5). Анотатор розмічає їх, модель донавчається — і цикл повторюється. Це дозволяє досягти цільової якості на 60–70% менше розмічених даних. Вбудовані рецепти покривають типові задачі: ner.teach, textcat.teach, pos.teach. Для нестандартних сценаріїв ми пишемо кастомні рецепти на Python.

Prodigy ефективніший за ручну розмітку

Ручна анотація страждає від втоми анотаторів та нерівномірного розподілу сутностей. Prodigy вирішує це через active learning: він пред'являє лише ті приклади, де модель невпевнена, тим самим концентруючи зусилля на складних випадках. Додатково пропонуються підказки з вже навченої моделі, що прискорює анотацію ще на 20–30%.

Які задачі NLP вирішує Prodigy?

• NER: розмітка персоналій, організацій, локацій, продуктів. За замовчуванням підтримуються багатомовні моделі spaCy.
• Класифікація тексту: тональність, тематика, інтенти. Рецепт textcat.manual.
• Семантична схожість: навчання sentence-transformers на парах речень.
• Розмітка відношень: зв'язки між сутностями (наприклад, WORKS_AT, LOCATED_IN).

Ми реалізували 50+ проектів з анотації даних, включаючи датасети для fine-tuning LLM та кастомних NER-моделей. Гарантуємо досягнення цільової якості розмітки. Досвід — понад 5 років в NLP.

Приклад з практики: розмітка юридичних документів

Для фінтех-клієнта потрібно було виділити 15 типів сутностей (назви судів, номери справ, позивачі, відповідачі, суми позовів) у 10 000 PDF-документах. Вихідний пайплайн: spaCy ru_core_news_lg з ручною розміткою — давав F1=0.68 після 2 місяців роботи. Ми розгорнули Prodigy з рецептом ner.teach, використали активне навчання за ентропією та додали пре-анотацію через регулярні вирази. Результат: через 3 тижні анотатори розмітили 10 000 документів з F1=0.81. Економія часу — 75%.

Процес роботи

1. Аналіз задачі — визначаємо домен, типи сутностей, обсяг, метрики якості.
2. Проектування рецептів — пишемо конфіги, обираємо стратегію active learning, налаштовуємо бекенд (PostgreSQL, Redis).
3. Реалізація — розгортаємо Prodigy, інтегруємо з пайплайном (spaCy, Hugging Face, PyTorch), експортуємо дані в потрібному форматі.
4. Ітеративне тестування — запускаємо пілотну розмітку, коригуємо рецепти, добиваємося target F1.
5. Деплой та передача — документація, навчання анотаторів, підтримка 2 тижні.

Що входить в роботу

• Налаштування Prodigy (інстанс, БД, рецепти)
• Інтеграція з вашим пайплайном (spaCy, Hugging Face, PyTorch)
• Кастомні рецепти під нестандартні задачі
• Експорт розмічених даних у формати .spacy, JSON, Hugging Face Dataset
• Документація та навчання команди (1-2 дзвінки)
• Підтримка на етапі пілотної розмітки

Порівняння Prodigy з альтернативами

Prodigy виграє у швидкості налаштування та якості розмітки завдяки active learning. Prodigy забезпечує в 2-3 рази вищу продуктивність анотації порівняно з Label Studio.

Чи варто інвестувати в Prodigy?

Типові помилки та як їх уникнути:

• Розмітка без активного навчання — всі приклади підряд. Рішення: використовуйте ner.teach замість ner.manual.
• Занадто велика кількість міток — модель плутається. Оптимум — 5-10 міток на задачу.
• Погані початкові дані — модель не може вибрати інформативні приклади. Починайте хоча б з 50 якісно розмічених записів.

Вартість ліцензії Prodigy: від $2,900 на рік. Наша інтеграція під ключ — від $5,000. Економія часу на проекті може сягати $20,000 за рахунок скорочення термінів. Наприклад, економія від використання Prodigy може становити $15,000–$20,000 на проекті. Напишіть нам для безкоштовної оцінки проекту.

pip install prodigy  # вимагає ліцензійний ключ
prodigy ner.teach my_ner_dataset ru_core_news_lg texts.jsonl --label PRODUCT,FEATURE

Експорт для навчання spaCy:

prodigy data-to-spacy ./train ./dev --ner my_ner_dataset
python -m spacy train config.cfg --output ./model

# Конвертація в HuggingFace dataset
from prodigy.components.db import connect
db = connect()
examples = db.get_dataset("my_ner_dataset")
from datasets import Dataset
hf_dataset = Dataset.from_list([
    {"tokens": ex["tokens"], "labels": convert_spans_to_bio(ex)}
    for ex in examples if ex["answer"] == "accept"
])

Замовте інтеграцію Prodigy — отримайте якісні датасети в 2-3 рази швидше.

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.