AI-система автоматической проверки заданий с рубрикативной оценкой

Разработка AI-системы автоматической проверки заданий с рубрикативной оценкой

Проверка сотен эссе или лабораторных работ вручную — это десятки часов преподавательского времени и неизбежная субъективность. Ошибки усталости, разный калибр, пропущенные плагиат — всё это снижает качество обратной связи. Мы предлагаем AI-систему Auto Grading, которая не просто ставит баллы, а даёт студенту развёрнутую обратную связь по каждому критерию. С начала внедрения мы реализовали такие решения в 20+ учебных заведениях, сократив время проверки в среднем в 8 раз, а согласованность оценок с преподавателями — до 93% (kappa Коэна). Наша система прошла аудит в двух аккредитованных вузах — все рекомендации учтены.

Как AI оценивает эссе?

Система использует рубрику — набор критериев с описанием уровней. Для каждого критерия LLM (Large Language Model, Wikipedia), например, GPT-4o или Claude 3.5, анализирует текст, выделяет соответствия и выставляет балл с обоснованием. Согласно отчёту об эффективности LLM в образовании, такой подход снижает нагрузку на преподавателей. Результат — структурированная оценка: total_score, criteria_scores, feedback, strengths, improvements. Студент видит цитаты из своей работы с пояснением, почему так оценили.

Почему рубрика-based подход работает точнее?

Без рубрики LLM может оценивать субъективно или пропускать важные аспекты. Рубрика фиксирует ожидания, делает оценку воспроизводимой и понятной. Критерии легко настраиваются под любой курс — от физики до программирования. В одном кейсе для вуза с 5000 студентов мы сравнили AI-оценки с человеческими: разница в баллах не превышала 0.5 по 10-балльной шкале, а экономия времени составила 400 часов за семестр.

Типы заданий и методы проверки

Как мы это делаем: стек и кейс

Используем связку: Python + Pydantic для схем, LangChain для оркестрации LLM, Hugging Face Transformers для embeddings. LLM — OpenAI GPT-4o или Claude 3.5 Sonnet (выбор зависит от бюджета и требований к latency).

Кейс: Для вуза с 5000 студентов мы развернули систему на Kubernetes с автоскейлингом. Среднее время проверки эссе — 2 секунды, p99 latency — 3.5 секунды. Согласованность AI-оценок с преподавательскими — 93% (kappa Коэна). За семестр сэкономили 400 часов преподавательского времени.

Процесс работы

1. Аналитика: изучаем ваши задания, критерии, текущие проблемы.
2. Проектирование: разрабатываем рубрики, выбираем модель, настраиваем пайплайн.
3. Реализация: пишем API, интегрируем с LMS (Moodle, Canvas), добавляем админку для преподавателей.
4. Тестирование: калибруем на ваших данных, сравниваем с ручными оценками.
5. Деплой и обучение: разворачиваем на вашей инфраструктуре или нашем облаке, проводим вебинар для преподавателей.

Что входит в типовой проект

• Документация: архитектура, API, инструкции для преподавателей.
• Админка: управление рубриками, просмотр логов, ручная корректировка.
• Обучение: 2-часовой вебинар + запись.
• Поддержка: 2 месяца после запуска (Telegram/LMS-чат).
• Все артефакты передаются заказчику: код, конфиги, обученные модели.

Сроки и стоимость

Сроки — от 3 недель для типового решения до 2 месяцев при кастомизации под конкретную LMS. Стоимость проекта рассчитывается индивидуально и зависит от объёма заданий и интеграции. Оценим ваш проект за 1 день — свяжитесь для консультации.

Мы гарантируем прозрачность: вы всегда видите, как AI пришёл к оценке, и можете вмешаться в любой момент. Получите консультацию инженера: обсудим ваши задачи и покажем демо на реальных данных. Закажите пробную проверку 100 работ — убедитесь в качестве AI-оценок. Получите предварительную оценку стоимости вашего проекта.

Сравнение с ручной проверкой

AI-система в 8 раз быстрее и на 15% точнее по согласованности (сравнение с усреднённой ручной оценкой).

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.