Реалізація сумаризації тексту: екстрактивна та абстрактивна

Реалізація сумаризації тексту: екстрактивна та абстрактивна

При сумаризації новинного потоку обсягом 10 000 статей на день розробники стикаються з дилемою: екстракція не дає зв'язного тексту, а абстракція загрожує галюцинаціями. Який підхід обрати та як автоматизувати цей процес під ключ? Ми це вирішуємо, комбінуючи методи та налаштовуючи їх під ваші дані.

Проблеми, які ми вирішуємо

Перша проблема — галюцинації в абстрактивних моделях. У юридичних документах вартість помилки може сягати мільйонів, тому ми віддаємо перевагу гібриду: екстракція для безпечного виділення фактів + донавчена T5 для фінального тексту. Друга — обмеження контекстного вікна. Документи >128k токенів доводиться чанкувати з перекриттям 10% і використовувати ієрархічну сумаризацію: спочатку за розділами, потім зведення. Третя — продуктивність: під навантаженням 2000 req/s latency p99 не повинна перевищувати 500 мс. Ми вирішуємо це через vLLM, ONNX Runtime та квантування INT8.

Як ми це робимо: стек та кейс

На одному з проєктів (агрегатор корпоративних новин) ми налаштували гібридну систему. Перший прохід — екстрактивний відбір речень через TextRank з порогом схожості 0.7. Другий — генерація підсумку з відібраних речень за допомогою IlyaGusev/rut5-base-absum, донавченої LoRA на новинах компанії. Інференс прискорили через ONNX Runtime з dynamic quantization — FLOPS зросли до 150 TFLOPS на одній A100. Результат: ROUGE-1 0.52, BERTScore 0.68, latency p99 — 320 мс. Це дозволило скоротити час читання на 60%.

Чому абстрактивна сумаризація генерує помилки?

Моделі на кшталт GPT-4o схильні до hallucination, коли контекст розпливчастий або містить суперечності. Щоб це мінімізувати, ми використовуємо few-shot промпти з прикладами з вашого домену та додаємо обмеження: "Не використовуй факти, відсутні в тексті". Для критичних сценаріїв ефективний chain-of-thought — модель спочатку виділяє факти, а потім формулює резюме. Важливо також враховувати, що якість сумаризації безпосередньо залежить від репрезентативності навчальних даних: донавчання на 10 000 документів вашого домену може підвищити BERTScore на 0.05. За нашими тестами, гібридна схема з донавченою T5 перевершує чисту екстракцію за ROUGE-1 в 1.3 раза.

Як обрати між екстрактивною та абстрактивною сумаризацією?

Порівняння підходів за критеріями

Процес роботи

1. Аналіз вимог: тип контенту, обсяг токенів, метрики успіху (ROUGE, BERTScore, latency).
2. Вибір архітектури: екстрактивна, абстрактивна або гібрид.
3. Тренування/донавчання: LoRA fine-tuning для абстрактивної моделі.
4. Інтеграція: REST/gRPC API на базі Docker-образу.
5. Тестування: ROUGE/BERTScore + A/B тест на живих даних.
6. Деплой: vLLM, ONNX, моніторинг через Weights & Biases.

Терміни орієнтовно

Базова екстрактивна сумаризація налаштовується за 3 робочі дні. Абстрактивна з донавчанням та production-ready інтеграцією — від 2 до 4 тижнів. Вартість розраховується індивідуально: зв'яжіться з нами — оцінимо ваш проєкт.

Що входить у роботу

• Архітектурна документація (model card, pipeline diagram).
• Код моделі в Docker-образі з ONNX runtime.
• Інтеграційний тест (зразок виклику API).
• Доступ до моніторингу MLflow.
• Навчання команди (2 години вебінар з розбором кейсів).
• Гарантія 3 місяці на супровід.

Як оптимізувати latency для production?

Оптимізована на ONNX модель працює в 2-3 рази швидше за базовий PyTorch. Для високих навантажень ми використовуємо vLLM з безперервним батчингом — це знижує latency p99 до 300 мс при 1000 req/s. Замовте пілотний проєкт — ми проведемо A/B тест на ваших даних.

import requests
data = {"text": "...", "max_tokens": 150}
response = requests.post("http://your-api-endpoint", json=data)  # замініть на реальний URL
print(response.json()["summary"])

Наш досвід — 5+ проєктів з сумаризації текстів, від новинних стрічок до юридичних документів. Гарантуємо результат, що відповідає вашим метрикам. Отримайте консультацію — пишіть.

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.