Розробка Relation Extraction для вилучення семантичних зв'язків

При розборі корпоративних новин ми часто бачимо: «Сбербанк призначив Германа Грефа головою». NER знайде сутності, але зв'язок «призначення» залишиться неявним. Relation Extraction (RE) вирішує це — перетворює неструктурований текст на трійки (суб'єкт, відношення, об'єкт). В одному проєкті для юридичного департаменту ми обробили 100 000 судових рішень: ручна розмітка зайняла б півроку та коштувала б $50,000, а fine-tuning BERT з Distant Supervision дав F1 78% за 3 тижні при витратах $5,000. Наші інженери реалізували 15+ проєктів з RE для фінансових та юридичних корпусів, включаючи побудову графів знань. Більше 5 років досвіду в NLP — практика, яка гарантує F1 не нижче 75% на стандартних бенчмарках. RE-системи вже зараз економлять компаніям до 70% часу на аналіз контрактів та судових рішень. Підхід RE детально описано в Wikipedia. Методи вилучення відношень постійно вдосконалюються.

Проблеми, які вирішує вилучення відношень (Relation Extraction)

RE критично для автоматизації роботи з юридичною та фінансовою документацією. Типові проблеми:

• Неявні зв'язки: NER знаходить «Сбербанк» та «Герман Греф», але не визначає, що це призначення.
• Багатозначність: одне слово може означати різні відношення в різних доменах (наприклад, «купити» як угода або як переказ).
• Високий поріг входу: ручна розмітка для RE дорога та повільна.

Як ми це робимо (доказ експертності)

Ми використовуємо три основні підходи залежно від вимог до latency та точності:

• Prompt-based LLM (GPT-4) — для швидкого прототипування, але дорогий інференс (latency p99 до 1 с). Використовуємо zero-shot та few-shot налаштування.
• Fine-tuning BERT (RoBERTa-large) з entity-marker токенами ([E1]сутність[/E1]) — найвища точність при низькій вартості (10-50 мс). Застосовуємо sequence tagging для маркування позицій сутностей та token classification для визначення відношень. Cross-domain transfer learning дозволяє адаптувати модель до нового домену з мінімумом даних.
• REBEL (T5-based) — end-to-end без проміжного NER, компроміс.

Порівняння на TACRED:

Fine-tuned BERT у 10 разів дешевший при інференсі та на 10-15% точніший — оптимальний вибір для високонавантажених систем. Prompt-based LLM поступається fine-tuned BERT у точності на 10–15%, але виграє в гнучкості в 2 рази. Метрики рахуються строго: правильним вважається відповідь лише при повному збігу сутностей, напрямку та типу відношення.

Як distant supervision знижує витрати на розмітку?

Розмітка даних для RE — дорогий етап. Distant Supervision автоматично створює вибірку, зіставляючи тексти з базою знань (наприклад, Wikidata). Це дає в 10 разів більше прикладів за ту ж вартість, що й ручна розмітка, при деякому зниженні точності (на 5-8% F1). Для компенсації шуму ми використовуємо weighted loss та фільтрацію за впевненістю.

Порівняння методів розмітки:

Що входить в роботу

• Навчена модель RE з цільовими метриками
• API-сервіс на FastAPI в Docker-контейнері
• Документація: опис архітектури, інструкція з донавчання, специфікація API
• Вихідний код та конфіги під систему контролю версій
• Навчання вашої команди роботі з моделлю (2–3 сесії)
• Технічна підтримка протягом 3 місяців після деплою

Процес впровадження RE

1. Аудит корпусу та схеми відношень — визначаємо список відношень та перевіряємо якість NER.
2. Вибір підходу — на основі обсягу даних та вимог до latency обираємо prompt-based, fine-tuning або REBEL.
3. Розмітка — при нестачі розмічених даних застосовуємо Distant Supervision.
4. Навчання та валідація — налаштовуємо гіперпараметри, контролюємо F1 на відкладеній вибірці.
5. Деплой — пакуємо модель у Docker, API на FastAPI з метриками та логуванням.
6. Супровід — навчаємо вашу команду, підтримуємо 3 місяці.

Які типові помилки при вилученні відношень?

• Пропуск long-tail відношень: рідкісні типи зашумлюють distant supervision. Рішення — балансувати вибірку та використовувати weighted loss.
• Помилки сутностей: якщо NER неточний, RE успадковує помилки. Рекомендуємо ставити каскад з проміжною валідацією.
• Ігнорування контексту: одне й те саме слово може означати різні відношення в різних доменах. Fine-tuning на цільовому корпусі вирішує проблему.

Щоб дізнатися, який підхід підходить вашому корпусу, зв'яжіться з нами — ми проведемо безкоштовний аудит. Ми готові обговорити деталі. Отримайте консультацію з вибору підходу для вашого корпусу — це безкоштовно.

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.