Разработка AI-системы автоматической категоризации товаров

Представьте: у вас 50 000 SKU, каждую неделю добавляются сотни новых товаров от поставщиков с разными названиями, описаниями и изображениями. Ручная категоризация уже не справляется — ошибки множатся, отдел контента перегружен, а покупатели не находят нужные товары. Мы решаем это с помощью AI-системы автоматической категоризации, которая анализирует текст, изображения и атрибуты товаров. Наш опыт — 7+ лет в машинном обучении, более 50 успешных проектов для ритейла и маркетплейсов. Предлагаем решение «под ключ»: от аудита данных до интеграции готового API. Свяжитесь с нами для предварительной оценки вашего каталога.

Согласно Википедии, иерархическая классификация позволяет снизить вычислительную сложность за счёт пошагового уточнения категории.

Как работает автоматическая категоризация товаров?

Товарные каталоги имеют древовидную структуру: «Одежда → Верхняя одежда → Куртки». Классификатор сначала определяет самый верхний уровень, затем уточняет — это снижает вычислительную сложность и повышает точность. Пример иерархии:

Одежда и обувь
    ├── Мужская одежда
    │   ├── Верхняя одежда
    │   │   ├── Куртки
    │   │   └── Пальто
    │   └── Брюки
    └── Женская одежда

Для каждого уровня обучается отдельная модель или используется единая иерархическая архитектура. Мы выбираем подход под ваш каталог — от простого BERT-классификатора до retrieval-based системы на эмбеддингах. Иерархический подход на 30% эффективнее плоской классификации для каталогов с глубиной более 3 уровней.

Входные данные и признаки — разработка ai системы

Чтобы модель работала точно, используем максимум доступных данных:

class ProductFeatures(BaseModel):
    title: str                    # «Куртка мужская зимняя Nike синяя»
    description: str | None       # полное описание
    attributes: dict              # характеристики: материал, размер, цвет
    images_url: list[str] | None  # для мультимодальной классификации
    brand: str | None
    price: float | None           # price range намекает на категорию
    supplier_category: str | None # категория поставщика (шумная, но полезная)

Мультимодальный подход (текст + изображение) даёт прирост accuracy +5–10% по сравнению с text-only. Это подтверждено нашими проектами: в одном из кейсов (каталог 10 000 товаров) точность выросла с 89% до 96% после добавления изображений.

Реализация классификатора

Выбор архитектуры зависит от размера каталога и доступности размеченных данных:

Пример кода для гибридного подхода:

def categorize_product(product: ProductFeatures) -> CategoryPrediction:
    text = f"{product.title}\n{product.description or ''}\n{format_attributes(product.attributes)}"

    # Быстрый классификатор
    top_categories = fast_classifier.predict_top_k(text, k=5)

    if top_categories[0].score > 0.85:
        return top_categories[0]  # высокая уверенность → сразу

    # Низкая уверенность → LLM для уточнения
    return llm_classify(product, top_categories)

Ниже — сравнение точности при разных комбинациях признаков:

Почему мультимодальность повышает точность?

Изображение содержит информацию, которой нет в тексте: фасон, цвет, материал на вид. Для категорий вроде «Платья» или «Кроссовки» визуальные признаки критичны. Мы используем предобученные vision-encoder (например, CLIP), который выдаёт эмбеддинги, объединяемые с текстовыми. Это особенно эффективно для товаров с бедным описанием.

Обработка сложных случаев

• Мультикатегорийные товары: «Чехол-книжка для телефона» — аксессуар или чехол? Обе категории. Используем мультилейбл-классификацию.
• Несоответствие названия содержанию: «Набор для рукоделия» — что внутри? Нужно описание. Если его нет, модель помечает товар на ручную проверку.
• Новые категории: автоматически создавать кластер «Неизвестная категория» для ревью. После подтверждения — дообучение модели.

Метрики: Top-1 accuracy, Top-3 accuracy (товар в одной из 3 предсказанных категорий). Типичные результаты: Top-1 90–95%, Top-3 97–99% для стандартных каталогов.

Что входит в нашу работу?

1. Аудит данных: анализ структуры каталога, качества разметки, доступных признаков.
2. Проектирование модели: выбор архитектуры (BERT, иерархический, retrieval-based) под ваш кейс.
3. Обучение и валидация: на ваших данных с отслеживанием метрик через MLflow.
4. Интеграция: REST API или gRPC, документация, примеры кода.
5. Деплой и мониторинг: контейнеризация, A/B тестирование, логирование.
6. Обучение команды: как обновлять модель, добавлять новые категории.

Сроки и стоимость

Базовое решение — от 2 до 6 недель. Стоимость рассчитывается индивидуально после аудита ваших данных и требований. Мы гарантируем прозрачное ценообразование и фиксированные сроки. Сертифицированные инженеры (TensorFlow, AWS, GCP) обеспечат стабильную работу.

Закажите консультацию: мы оценим ваш каталог и предложим оптимальное решение. Получите демо-доступ к уже работающей системе.

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.