Реалізація класифікації тексту: від TF-IDF до LLM

Реалізація класифікації тексту (Text Classification)

Уявіть: ви автоматизуєте обробку вхідних звернень, а модель плутає претензію з пропозицією. Або система рубрикації новин стабільно помиляється в третині заголовків. Стандартний BERT fine-tuning дає точність 95% — але тільки якщо правильно обрано архітектуру, оброблено дисбаланс класів та налаштовано деплой із урахуванням latency. Ми допоможемо вам реалізувати класифікацію тексту під ключ: від TF-IDF для швидких прототипів до кастомних LLM-пайплайнів. За двадцять років роботи в NLP ми накопичили досвід, який дозволяє з ходу відкидати нежиттєздатні варіанти. Оцінимо ваше завдання за один день.

Класифікація тексту — це маршрутизація тікетів, фільтрація спаму, модерація контенту, аналіз тональності та виділення намірів. На кожному етапі — свої пастки: семантичний дрейф, рідкісні класи, мультимовні корпуси. Ми вирішували такі завдання для 15+ проєктів у рітейлі, фінтехі та медіа. При цьому ми гарантуємо якість за обумовленими метриками: F1, precision, recall — і надаємо репорт із розбором помилок.

Як обрати підхід до класифікації тексту?

Вибір архітектури залежить від параметрів завдання:

• Кількість класів: 2–5 або 20–100+ (ієрархічна)
• Обсяг розмітки: наявність 500+ прикладів на клас
• Мова: англійська, російська, мультимовна
• Вимоги до latency: реальний час (<100ms) або batch
• Потреба в інтерпретованості: пояснення рішення

Помилка — автоматично тягнутися до BERT, коли завдання вирішується логістичною регресією за 50ms. Вартість розробки варіюється, але правильно підібраний пайплайн окупається за рахунок економії на ручній обробці.

Порівняння методів класифікації тексту

Чому BERT не завжди кращий за Logistic Regression?

На одному проєкті ми замінили BERT на TF-IDF + LightGBM і отримали той самий F1, але latency впала з 40ms до 2ms. Для чітких тематик класичний ML часто дає відмінний результат без GPU. Завжди починайте з простого бейзлайну — це економить ресурси та спрощує інтерпретацію.

Як боротися з дисбалансом класів?

Реальні дані майже завжди незбалансовані. Стратегії:

• Class weights передаються в loss function
• Oversampling (SMOTE для ембеддінгів) або аугментація тексту
• Focal Loss для екстремального дисбалансу (1:100+)

Моніторте per-class F1, не тільки accuracy — accuracy 95% при 5% рідкісного класу нічого не означає.

Які метрики важливі для класифікації?

Основні метрики: F1 Macro, Confusion matrix, Calibration curve.

У production налаштуйте моніторинг distribution shift через KL-дивергенцію: якщо метрика виходить за межі історичного коридору — запускайте перетренування.

Як впровадити класифікацію: покроковий план

1. Аналіз даних та вибір архітектури. Оцінюємо розподіл класів, обсяг та якість розмітки. Визначаємо, чи підійде TF-IDF або потрібен трансформер.
2. Прототипування. На основі аналізу будуємо baseline (TF-IDF + ML) та порівнюємо з BERT fine-tuning. Фіксуємо метрики.
3. Навчання та оптимізація. Для трансформерів використовуємо квантизацію та експорт в ONNX. Налаштовуємо гіперпараметри під latency та accuracy.
4. Інтеграція через REST/gRPC. Обгортаємо модель у сервіс, додаємо моніторинг дрейфу.
5. Тестування та план перетренування. Проводимо A/B-тест на реальному трафіку, налаштовуємо алерти.

Багатокласова vs багатоміткова класифікація

Для multilabel (текст має декілька міток одночасно): замініть softmax на sigmoid, використовуйте BCEWithLogitsLoss, поріг налаштуйте по F1.

Деплой класифікатора: ONNX та квантизація

Оптимізація для inference:

• ONNX export: прискорення CPU inference у 2–4x
• Quantization (INT8): зменшення пам'яті в 4x, деградація accuracy < 1%
• TorchScript: для production PyTorch serving

Згідно з документацією ONNX Runtime, export моделі в ONNX дозволяє досягти latency 20–50ms на CPU для 512-токенного тексту. Це в 2–4 рази швидше оригінальної PyTorch моделі.

Що входить у роботу

• Аналіз даних та підготовка розмітки (до 5000 прикладів)
• Вибір архітектури та прототипування (3 варіанти)
• Навчання та оптимізація моделі (GPU кластер)
• Інтеграція через REST API або gRPC
• Документація та навчання команди
• Моніторинг та план перетренування

Терміни реалізації

• Baseline (TF-IDF + ML): 3–5 днів
• BERT fine-tuning: 1–2 тижні
• Production із моніторингом: 3–5 тижнів

Зв'яжіться з нами — оцінимо ваше завдання за один день. Отримайте консультацію щодо проєкту — замовте оцінку.

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.