Дообучення T5, BART, ruT5 для доменної сумаризації текстів

Моделі загального призначення як GPT-4o чудово справляються з анотаціями новин, але на юридичному контракті пропускають ключові умови — форс-мажор або термін повідомлення. Ми знаємо це з практики: доменна адаптація кардинально змінює якість. Fine-tuning на предметних даних вчить модель виділяти важливе саме у вашому контексті — чи то медичні карти, судові рішення або технічна документація. Наші інженери адаптують архітектури під специфіку задачі: стиль, термінологію, структуру. Результат — сумаризація, якій можна довіряти. Економія на інференсі порівняно з комерційними LLM досягає 10 разів. Наприклад, дообучення ruT5 на 3000 парах обійдеться в 150 000–200 000 ₴, а економія на інференсі може становити 100 000 ₴ на місяць. Оцінимо вартість вашого проєкту безкоштовно — зв'яжіться для консультації.

Які проблеми вирішує дообучення

Невідповідність стилю. Генеративні моделі схильні до розмовних зворотів. Для ділового звіту потрібна формальна лексика, для новини — стислість, для медицини — точна термінологія. Fine-tuning підлаштовує стиль під домен. Медична сумаризація потребує особливої точності термінів, новинна — лаконічності.

Галюцинації фактів. Модель може додати неіснуючі цифри або імена. Це критично в юридичних і фінансових текстах. Дообучення на доменних даних знижує відсоток галюцинацій на 30–50%. Дослідження Google показує, що адаптовані моделі дають на 20% менше вигаданих деталей.

Довгий контекст. Деякі документи (наприклад, судові рішення) перевищують 8K токенів. Не всі моделі вміють з ними працювати. T5 і BART з вікном 1024 токени потребують чанкінгу — ми використовуємо стратегію sliding window з перекриттям.

Як ми адаптуємо модель: кейс з юридичними документами

Наш клієнт — юридичний департамент великої компанії. Потрібно було сумаризувати договори поставки. Стандартні моделі (GPT-4o) видавали переказ, а не витяжку — пропускали дати, суми та умови розірвання.

Зазначимо: що зробили:

• Зібрали 2000 пар «договір → сумарі» з архіву за 5 років.
• Використали ruT5-base з LoRA — ранг 16, target modules = q_proj, v_proj.
• Навчали на одному A100 80GB, 3 епохи, batch size 8, gradient accumulation 2. Loss зійшовся за 2 години.
• Після дообучення ROUGE-1 виріс з 0.32 до 0.48, BERTScore — з 0.78 до 0.89.
• Human evaluation: accuracy 4.2/5, completeness 4.5/5.

Результат: модель стабільно виділяє всі суттєві умови. Галюцинації — менше 2%.

Порівняння архітектур для сумаризації

Для російськомовних доменів ми рекомендуємо ruT5 або ruBART — вони компактні й дають результат з 2000+ прикладів. Після дообучення такі моделі в середньому в 1.5 рази краще утримують структуру документа порівняно з багатомовними аналогами. Завдяки правильному вибору архітектури ви економите до 40% бюджету.

Чому важливо дообучати модель на доменних даних?

Навчання на загальному корпусі (наприклад, Common Crawl) не вчить модель специфіці вашого бізнесу. Терміни, структура документа, важливість полів — все це потрібно доналаштувати. Fine-tuning вирішує задачу domain adaptation: модель починає розуміти, що в контракті «суттєві умови» — це не те саме, що в новині про погоду. На практиці адаптована модель дає ROUGE-L на 15–20 пунктів вище базової.

Скільки даних потрібно для якісного дообучення?

Досвід показує: 1000–5000 пар достатньо, щоб отримати приріст 15–20 пунктів ROUGE. Якщо даних менше, використовуємо аугментацію: зворотний переклад, синонімізацію, рекурсивне сумаризування через GPT-4o. Але синтетичні дані не замінюють реальні — обов'язково змішуйте їх у пропорції 1:3. Для оцінки якості застосовуємо BERTScore разом з ROUGE. domain adaptation NLP — ключова техніка для перенесення знань у новий домен.

Процес роботи

1. Аналіз домену та вимог — збираємо репрезентативну вибірку документів, визначаємо стиль і обсяг підсумкової сумарі.
2. Підготовка даних — чистка, розмітка (якщо немає пар), чанкінг для довгих документів. Використовуємо конкатенацію з роздільником і sliding window.
3. Вибір архітектури та тонке налаштування — експериментуємо з T5, BART, іноді з mT5. Підбираємо гіперпараметри: learning rate (1e-4…5e-5), batch size, кількість епох. Використовуємо EarlyStopping з бібліотеки Hugging Face.
4. Оцінка — ROUGE + BERTScore + human evaluation. Якщо якість нижче порогу, повертаємося до даних або архітектури.
5. Деплой — розгортаємо на Triton Inference Server або через FastAPI. Оптимізуємо latency p99 до 500 мс. Використовуємо quantization INT8 для прискорення на GPU.

Що входить у роботу

• Аналіз ваших даних і домену з підбором архітектури.
• Підготовка та аугментація тренувального набору.
• Fine-tuning моделі з оптимізацією гіперпараметрів.
• Оцінка за ROUGE, BERTScore та людське тестування.
• Деплой моделі (Triton, FastAPI) з документацією.
• Навчання вашої команди роботі з моделлю.
• Гарантія стабільності — додаткові епохи при необхідності.

Зв'яжіться з нами для консультації: допоможемо оцінити проєкт, підібрати архітектуру та розрахувати бюджет. Досвід 7+ років, 30+ проєктів з NLP та сумаризації. Замовте попередній аналіз — ми покажемо, який приріст якості дасть дообучення на ваших даних.

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.