Навчання моделі класифікації тексту (BERT, RoBERTa, DeBERTa)

При донавчанні BERT ми часто стикаємося з парадоксом: метрики на валідації чудові (F1 > 0.95), а в продакшні — провал. Причина — невідповідність розподілів: train та real‑world дані різняться за довжиною, стилем, формулюваннями. Ми вирішуємо цю проблему системно: від вибору базової моделі до production‑оптимізації. Нещодавно до нас звернувся клієнт із задачею класифікації відгуків на маркетплейсі — на валідації F1 досягав 0.97, але в реальному потоці впав до 0.82. Аналіз показав, що більшість хибних передбачень припадало на короткі відгуки (менше 10 токенів) — їх майже не було в навчальній вибірці. Після додавання аугментації та налаштування max_length до 128 метрика повернулась до 0.94.

Вибір базової моделі

BERT (bert-base-uncased, DeepPavlov/rubert-base-cased): класика, добре вивчена, багато туторіалів. Для більшості задач достатньо.

RoBERTa (roberta-base, ai-forever/ruRoBERTa-large): покращене навчання без Next Sentence Prediction, на більшому корпусі. Зазвичай на 1–3% краще BERT.

DeBERTa (microsoft/deberta-v3-base): диcентангльована увага — найкраща якість на benchmarks. Рекомендується, якщо потрібна максимальна точність і є GPU-ресурси.

Для української мови: ukr-models/bert-base-uk (адаптована версія BERT), DeepPavlov/rubert-base-cased (показує добрі результати на україномовних текстах), ai-forever/ruRoBERTa-large. Рекомендуємо тестувати кілька моделей на вашому датасеті.

Як вибрати базову модель для української мови?

Вибір залежить від трьох факторів: розміру датасету, цільової метрики та доступних обчислювальних ресурсів. Для старту ми рекомендуємо DeepPavlov/rubert-base-cased — він збалансований за якістю та швидкістю навчання. Якщо датасет >10К прикладів і є V100/A100, використовуйте ai-forever/ruRoBERTa-large — приріст F1 до 3%. Для максимальної точності (і за наявності часу на тюнінг) — microsoft/deberta-v3-base.

Pipeline навчання

from transformers import (
    AutoTokenizer, AutoModelForSequenceClassification,
    TrainingArguments, Trainer
)
from datasets import Dataset
import evaluate
import numpy as np

# Підготовка даних
tokenizer = AutoTokenizer.from_pretrained("DeepPavlov/rubert-base-cased")

def tokenize_function(examples):
    return tokenizer(
        examples["text"],
        padding="max_length",
        truncation=True,
        max_length=256  # 256 достатньо для більшості задач
    )

dataset = Dataset.from_pandas(df)
tokenized = dataset.map(tokenize_function, batched=True)
tokenized = tokenized.train_test_split(test_size=0.2)

# Ініціалізація моделі
model = AutoModelForSequenceClassification.from_pretrained(
    "DeepPavlov/rubert-base-cased",
    num_labels=num_classes,
    id2label=id2label,
    label2id=label2id
)

# Метрики
accuracy = evaluate.load("accuracy")
f1 = evaluate.load("f1")

def compute_metrics(eval_pred):
    logits, labels = eval_pred
    predictions = np.argmax(logits, axis=-1)
    return {
        "accuracy": accuracy.compute(predictions=predictions, references=labels)["accuracy"],
        "f1_macro": f1.compute(predictions=predictions, references=labels, average="macro")["f1"],
    }

# Параметри навчання
training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=5,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=32,
    learning_rate=2e-5,
    weight_decay=0.01,
    warmup_ratio=0.1,
    evaluation_strategy="epoch",
    save_strategy="epoch",
    load_best_model_at_end=True,
    metric_for_best_model="f1_macro",
    fp16=True,  # mixed precision для GPU
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized["train"],
    eval_dataset=tokenized["test"],
    compute_metrics=compute_metrics,
)

trainer.train()

Гіперпараметри та їх вплив

Порівняння часу інференсу моделей

Чому важливо використовувати weighted loss при дисбалансі класів?

Якщо класи розподілені нерівномірно (наприклад, 95% нормальних звернень і 5% скарг), стандартний CrossEntropyLoss «проігнорує» рідкісний клас. Ми додаємо class_weight у функцію втрат:

from torch import nn
import torch

# Обчислюємо ваги класів
class_weights = compute_class_weight("balanced", classes=np.unique(labels), y=labels)
weights_tensor = torch.FloatTensor(class_weights).to(device)

class WeightedTrainer(Trainer):
    def compute_loss(self, model, inputs, return_outputs=False):
        labels = inputs.pop("labels")
        outputs = model(**inputs)
        logits = outputs.get("logits")
        loss_fn = nn.CrossEntropyLoss(weight=weights_tensor)
        loss = loss_fn(logits, labels)
        return (loss, outputs) if return_outputs else loss

Цей прийом піднімає F1 по рідкісному класу на 10–15% без втрати якості на частих.

Оцінка та аналіз помилок

Після навчання обов'язково:

• Confusion matrix за всіма класами
• Приклади помилок для кожної пари (істинний клас, передбачений клас)
• Calibration plot: наскільки достовірні ймовірності моделі
• Error analysis: чи є патерн у помилках? (певні слова, довжина тексту, авторський стиль)

Оптимізація для продакшену

Після fine-tuning експортуємо в ONNX:

from optimum.onnxruntime import ORTModelForSequenceClassification

ort_model = ORTModelForSequenceClassification.from_pretrained("./results", export=True)
ort_model.save_pretrained("./onnx_model")

Benchmark: ruBERT fine-tuned → ONNX INT8: 120ms → 18ms на CPU при точності -0.3%. Завдяки квантизації вартість інференсу знижується на 40% порівняно з FP32. На одному з проєктів ми скоротили витрати на GPU з $2000 до $1200 на місяць.

Що входить у нашу роботу

Ми надаємо не просто модель, а готове рішення під ключ:

• Аналіз датасету та визначення мінімального достатнього розміру вибірки
• Вибір оптимальної архітектури (BERT/RoBERTa/DeBERTa) під ваші дані
• Донавчання з підбором гіперпараметрів (learning rate, batch size, epochs)
• Пост-тренувальний аналіз: confusion matrix, calibration curve, error analysis
• Експорт в ONNX/TensorRT для інференсу на CPU
• Інтеграція в ваш пайплайн (REST API, gRPC, бэтч)
• Документація моделі та метрик, звіт про якість
• Підтримка після впровадження — гарантуємо стабільну роботу

З нами працюють компанії з 7+ річним досвідом в NLP, ми виконали понад 30 проєктів з класифікації текстів. Зв'яжіться з нами для оцінки вашого завдання — ми підберемо оптимальний стек та режим навчання. Замовте консультацію, і ми проаналізуємо ваш датасет.

Типові результати

На задачах класифікації новин: 92–96% F1 macro. Класифікація звернень клієнтів: 88–94%. Мультиміткова класифікація: 78–86% Micro F1. Всі результати фіксуються у звіті та підтверджуються на відкладеній вибірці.

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.