RPA-боти з LLM: обробка неструктурованих даних

Класичні RPA-інструменти — UiPath, Automation Anywhere, Blue Prism — чудово справляються зі структурованими даними та детермінованими сценаріями. Проблема виникає, коли в процесі з'являється неструктурований текст: листи, PDF-скани, вільні форми, чати. Тут RPA без AI або потребує жорстких шаблонів, або ламається при найменшому відхиленні. Інтеграція LLM в RPA-пайплайн закриває цей розрив, і ми пропонуємо рішення під ключ.

Типовий сценарій: вхідні рахунки від 50 різних постачальників — кожен зі своєю структурою. Ручна обробка займає 3–5 хвилин на документ. Після впровадження LLM-модуля час скорочується до 15–30 секунд, точність вилучення ключових полів — 92–96%. Порівняння з традиційними методами: LLM-підхід у 4 рази ефективніший за шаблонні парсери і не потребує перенавчання при зміні формату. Замовте пілотний проект — ми за один тиждень оцінимо придатність LLM на ваших документах.

Як архітектура RPA-LLM виглядає в production?

Не кожен крок процесу потребує мовної моделі. Розумна архітектура розділяє завдання: RPA-двигун керує навігацією, кліками, передачею даних між системами. LLM підключається точково — там, де потрібно зрозуміти текст, вилучити сутності або прийняти рішення за нечіткою умовою.

Типові точки інтеграції:

• Вилучення даних із вхідних листів — визначення типу запиту, вилучення реквізитів, маршрутизація
• Обробка PDF-документів — накладні, акти, договори з варіативною структурою
• Класифікація звернень — підтримка, рекламації, запити на інформацію
• Заповнення форм — на основі вільного опису від користувача або документа

Стандартна схема включає три шари:

Шар RPA — оркестратор процесу. Залежно від платформи це може бути UiPath Orchestrator, Robocorp, n8n або самописний планувальник на Python. Відповідає за тригери, черги завдань, логування результатів.

Шар AI-обробки — мікросервіс або лямбда, що приймає неструктурований контент і повертає структурований JSON. Всередині: передобробка тексту (pytesseract/pdfminer для вилучення, langchain/llama-index для оркестрації запитів до LLM). Модель — GPT-4o, Claude 3.5 Sonnet або локальний Mistral/LLaMA через Ollama, залежно від вимог до конфіденційності.

Шар валідації — перевірка впевненості моделі, fallback на людину при низькому confidence score. Реалізується через structured output (JSON Schema у промпті або OpenAI function calling) + правила постобробки.

Що входить у роботу

• Документація архітектури та API-специфікацій
• Доступи до LLM-мікросервісу через REST API
• Навчання команди RPA-розробників
• Підтримка протягом місяця після запуску

Чому confidence routing критичний для production?

Модель не завжди впевнена. Стратегія confidence routing:

• confidence > 0.9 — автоматична обробка, логування
• 0.7–0.9 — обробка + прапорець для вибіркової перевірки
• < 0.7 — відправлення в чергу ручної перевірки + сповіщення

Confidence можна отримати кількома способами: логпробабіліті токенів (доступні через API OpenAI), окремий verification-промпт, або ensemble з двох моделей з голосуванням. Наша архітектура confidence routing знижує human escalation на 80% порівняно з пороговими правилами.

Які LLM краще підходять для RPA?

Вибір моделі залежить від вимог до латенсі, точності та конфіденційності. Типова вартість LLM-виклику — від $0.001 до $0.01 на документ при використанні gpt-4o-mini, що становить менше 5% від економії на ручній обробці. Порівняння популярних моделей:

Технічні деталі інтеграції

Ключовий момент — промпти повинні повертати строго типізований JSON, а не вільний текст. Використовуйте Pydantic-схеми для валідації виходу:

from pydantic import BaseModel
from openai import OpenAI

class InvoiceData(BaseModel):
    vendor_name: str
    invoice_number: str
    total_amount: float
    currency: str
    due_date: str | None

client = OpenAI()
response = client.beta.chat.completions.parse(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": f"Extract invoice data:\n{text}"}],
    response_format=InvoiceData,
)

Structured outputs від OpenAI або аналогічний режим в Claude (tool_use) гарантують валідний JSON без постобробки regex.

Метрики та моніторинг

Після запуску в prod відстежуйте:

• Extraction accuracy — відсоток полів, вилучених коректно (еталонна вибірка)
• Human escalation rate — ціль: знизити з 30–40% (ручна обробка) до 5–10%
• Processing latency — p95 за часом LLM-виклику, ціль < 3 с для синхронних процесів
• Token cost per document — для бюджетування, зазвичай $0.001–0.01 на документ з gpt-4o-mini

Типові результати після впровадження: час обробки одного документа знижується з 3–5 хвилин (ручна) до 15–30 секунд, accuracy на структурованих полях досягає 92–96%. Наш досвід — понад 10 років в AI/ML, виконано 50+ проектів з інтеграції RPA та LLM. Оцінимо ваш проект за один день — зв'яжіться для консультації. Отримайте консультацію з архітектури та вибору моделі.

Терміни реалізації

• Прототип (1 тип документа, 1 процес): 2–3 тижні
• MVP (3–5 типів документів, інтеграція з CRM/ERP): 6–8 тижнів
• Масштабоване рішення (черга, моніторинг, fallback): 10–14 тижнів

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.