Кастомний аналіз тональності тексту (Sentiment Analysis)

Уявіть: ви отримуєте 10 000 відгуків на день, і 30% з них містять сарказм. Звичайна модель класифікує їх як нейтральні, маскуючи негатив. Результат — спотворена картина репутації, втрачені інсайти. Ми стикалися з цим у рітейлі, фінансах та телекомі. Рішення — кастомна система аналізу тональності, адаптована під ваш домен. Вона враховує сарказм, галузевий жаргон та аспекти, даючи точність до 91% на російській мові. Така система використовується для моніторингу репутації та обробки зворотного зв'язку. Нижче — стек, метрики та реальний кейс. Економія на обробці звернень сягає 70%. Sentiment analysis (аналіз тональності) — задача обробки природної мови (NLP), що визначає емоційне забарвлення тексту.

Ми реалізуємо Sentiment analysis під ключ. Розкажемо, з якими труднощами стикаємося і як їх долаємо. Почнемо з вибору підходу.

Готові рішення vs кастомне навчання: що обрати?

Для більшості проєктів стартуйте з готової моделі. Для російської мови чудово підходить blanchefort/rubert-base-cased-sentiment (Hugging Face) — 3 класи, точність ~86% на загальних текстах. Для англійської — cardiffnlp/twitter-roberta-base-sentiment-latest. Але на галузевих даних точність падає. Порівняйте:

Generic модель поступається fine-tuned у точності в 1.17 раза. Наприклад, на медичних відгуках generic давав 78%, а fine-tuning на 1500 прикладах — 91%. Fine-tuning на 500 прикладах дає приріст у 1.15 раза порівняно з zero-shot.

Чому кастомне навчання ефективніше за готові моделі?

Галузева специфіка — головний тригер. «Препарат не викликав побічних ефектів» — позитив у медицині, але нейтральна констатація. «Активне зниження» — негатив у фінансах. Доменний fine-tuning піднімає accuracy на 5–10% проти загальних моделей. Економія часу: обробка 1000 відгуків вручну — 40 годин, нашою системою — 2 хвилини (у 1200 разів швидше). Зниження витрат на обробку звернень сягає 70%.

Як працює аспектний аналіз тональності (ABSA)?

Відгук «Їжа смачна, але обслуговування жахливе, і ціни завищені» містить три аспекти з різною тональністю. ABSA витягує пари (аспект, тональність). Реалізуємо через sequence labeling з тегами B-ASP, I-ASP + класифікацію сентименту для кожного span. Застосовуємо в рітейлі та HoReCa. Для деплою використовуємо FastAPI, Docker, ONNX Runtime (latency p99 < 100ms), моніторинг Prometheus + Grafana.

Порівняння методів донавчання

Як ми реалізуємо sentiment analysis: процес і стек

1. Аналітика: вивчаємо корпус, обираємо архітектуру (BERT, RoBERTa), визначаємо baseline.
2. Розмітка: анотуємо дані (мінімум 500 прикладів на клас) з контролем якості.
3. Навчання: fine-tuning на Hugging Face Transformers, PyTorch, з логуванням у Weights & Biases.
4. Тестування: метрики accuracy, precision, recall, F1 — на відкладеній вибірці та стрес-тестах (сарказм, змішані тони).
5. Деплой: упаковка в Docker, інференс через ONNX Runtime або vLLM, API на FastAPI. Забезпечуємо latency p99 < 100ms.

Що входить у роботу

• Розмічений датасет (з документуванням правил анотації)
• Навчена модель (fine-tuned checkpoint)
• Docker-образ з REST API
• Технічна документація (model card, інструкція із запуску)
• Навчання вашої команди роботі з моделлю
• Пост-релізна підтримка (1 місяць)

Строки та вартість

Строки — від 2 до 6 тижнів залежно від обсягу даних і складності (ABSA, мультимовність). Вартість розраховується індивідуально після аудиту вашого корпусу та вимог. Гарантуємо прозоре ціноутворення без прихованих платежів.

Метрики та гарантії

Ми маємо 5+ років досвіду в NLP, виконали понад 50 проєктів з аналізу текстів. Серед клієнтів — рітейл, фінанси, телеком. Гарантуємо якість: ви отримуєте модель з метриками, узгодженими на старті. Якщо точність нижча — доопрацьовуємо безкоштовно.

Отримайте консультацію з вибору моделі: зв'яжіться з нами для аудиту вашого корпусу — ми оцінимо проєкт і запропонуємо оптимальне рішення. Замовте розробку кастомної системи аналізу тональності для вашого бізнесу. Не дозволяйте сарказму спотворювати реальність.

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.