AI-система для e-Discovery: ускорение анализа юридических документов

Разработка AI-системы для e-Discovery

Представьте: судебное дело требует анализа 5 млн документов за две недели. Без AI это сотни юристов, круглосуточная работа и затраты, сопоставимые с миллионными бюджетами. Мы разрабатываем AI-системы для автоматизации e-Discovery, которые справляются за дни, сокращая затраты на 60–80%. Наш опыт — 5+ лет и 10+ проектов, от стартапов до крупных юридических фирм, использующих AI для юридических дел. В основе — технология e-Discovery с применением машинного обучения.

Как AI ускоряет e-Discovery?

Ручной просмотр каждого документа — утопия. Современные модели, такие как fine-tuned BERT или LLM с RAG, обрабатывают терабайты данных и выделяют релевантные 1–5% за часы. При этом recall для релевантных документов достигает 95%+, а для привилегированных — 99%. Это не просто экономия времени, а юридическая гарантия: пропуск привилегированного документа грозит санкциями суда. Электронное раскрытие доказательств (e-Discovery) становится управляемым с помощью ML в юриспруденции.

Технологии, которые мы используем

Ключевой компонент — Technology-Assisted Review (TAR), также известный как Predictive Coding. Мы реализуем его через active learning с PyTorch или Hugging Face Transformers. Модель обучается на seed-наборе (тысячи документов, размеченных юристами) и затем итеративно улучшается, выбирая для разметки самые неопределённые документы. Это сокращает объём ручной работы в 10–20 раз. Как показано в исследовании Grossman & Cormack (2011), TAR сокращает время анализа на 70-80% по сравнению с линейным ревью.

class DocumentRelevance(BaseModel):
    document_id: str
    relevance_score: float    # 0-1
    is_privileged: bool       # attorney-client privilege
    is_responsive: bool       # отвечает ли на запрос о раскрытии
    key_topics: list[str]
    custodians: list[str]     # кто участвует в переписке
    date: date | None

def predict_relevance(
    document: str,
    seed_set: list[tuple[str, bool]]  # (doc, is_relevant) для обучения
) -> DocumentRelevance:
    # Active Learning: выбираем наиболее информативные документы для разметки
    ...

Что такое Technology-Assisted Review?

TAR — это метод, при котором алгоритм машинного обучения ранжирует документы по релевантности. Юристы проверяют только верхние позиции, а модель дообучается на их решениях. Векторный поиск с помощью FAISS ANN-индекса позволяет находить похожие документы за миллисекунды. Embedding-модели (OpenAI text-embedding-3-small или E5) генерируют 1536-мерные векторы, которые индексируются в Qdrant или pgvector. Это обеспечивает высокую скорость обработки терабайт данных.

Как мы обнаруживаем привилегированные документы?

Attorney-client privilege — документы, освобождённые от раскрытия. Пропустить такой документ — юридическая катастрофа. Наш пайплайн включает несколько уровней:

• Доменный фильтр: внешние юрисконсульты (например, @lawfirm.com)
• NLP-модель, обученная на фразах вроде "legal advice", "confidential", "attorney work product"
• Векторное сравнение с эталонными привилегированными документами
• Валидация на основе метаданных (тема, участники, пометки)

Recall для привилегированных документов стремимся к 99%, хотя это увеличивает количество false positive, которые снимает юрист. В среднем 2–3% корпуса помечается как привилегированные.

Процесс работы над проектом

Мы берём проект под ключ. Этапы:

1. Аналитика: аудит источников данных, EDRM-моделирование, определение критериев релевантности и привилегированности
2. Интеграция: коннекторы к Exchange, SharePoint, Slack, Google Workspace, конвертация в единый формат (RSMF) через Apache Tika
3. Обучение модели: seed-set разметка, fine-tuning трансформерных моделей (BERT, RoBERTa), настройка порогов
4. Валидация: тестирование на контрольном множестве, метрики precision/recall, юридическое утверждение
5. Деплой: контейнеризация (Docker), развёртывание на ваших серверах или в облаке (AWS, GCP), интеграция с Relativity или другой платформой
6. Передача знаний: документация, обучение команды, поддержка 3 месяца

Сравнение подходов: TAR vs линейный ревью

Результат: TAR в 10 раз быстрее и дешевле, при этом точнее. Мы гарантируем recall не ниже оговорённого в контракте.

Сравнение embedding-моделей для e-Discovery

Embedding-модели подбираются под задачу: для точного поиска лучше OpenAI, для экономии — open-source E5.

Что входит в работу

• Модель и API. Готовая TAR-модель с REST API для загрузки документов и получения предсказаний.
• Документация. Описание пайплайна, метрик, инструкции по обновлению модели.
• Доступы. Логины к дашборду мониторинга (W&B или MLflow), где вы видите метрики в реальном времени.
• Обучение. 2 дня онсайт или онлайн для юридической команды: как размечать, как интерпретировать скоры.
• Поддержка. 3 месяца инцидентной поддержки, гарантия на производительность модели.

Типовые сроки

Стоимость рассчитывается индивидуально, зависит от объёма данных, количества кастодианов и требуемой скорости. Ориентируемся на сроки от 2 до 6 недель. Типичный проект на 2 млн документов — 3 недели. Мы не указываем конкретные цены, но готовы оценить ваш кейс за 1 день. Свяжитесь с нами для оценки вашего кейса.

Почему выбирают нас

Мы не просто внедряем AI — мы обеспечиваем юридическую значимость результата. Наши системы проходили аудит в судах США и ЕС. 5+ лет в индустрии, 10+ проектов, каждый с recall привилегированных > 99%. Работаем под ключ с гарантией метрик. Закажите консультацию — обсудим как сократить ваши затраты на e-Discovery.

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.