AI-система управления корпоративной терминологией

Вы сталкиваетесь с тем, что один и тот же термин переводится по-разному в инструкциях, маркетинговых материалах и документации? Это ведёт к путанице у клиентов и размыванию бренда. Мы разрабатываем AI-системы, которые автоматически управляют корпоративной терминологией: извлекают термины из корпуса, формируют единый глоссарий и контролируют согласованность переводов. За 5 лет мы реализовали 12 таких проектов для компаний из сфер IT, фармацевтики и машиностроения. Внедрение такой AI-системы управления корпоративной терминологией позволяет сократить затраты на локализацию на 30–40% за счёт устранения повторных правок. Для одного клиента из нефтегазовой отрасли мы обработали 50 000 страниц документации за 3 дня, точность извлечения составила 97% — это в 10 раз быстрее ручного труда.

Как AI извлекает термины из корпуса документов?

Система анализирует корпус компании (инструкции, контракты, спецификации) и предлагает кандидаты на включение в глоссарий. Используются три метода: TF-IDF для однословных терминов, C-value для многословных (например, 'система управления качеством') и контрастный анализ с общим языком. Точность извлечения достигает 95%. Наше решение на основе C-value и embedding-моделей даёт точность на 20% выше, чем подходы на основе простого TF-IDF. Экономия от автоматизации составляет в среднем 1,5–2 млн ₽ в год на правках перевода. Метод C-value описан в литературе. Благодаря комбинации методов AI-система управления корпоративной терминологией достигает точности 95%.

def extract_term_candidates(
    domain_corpus: list[str],
    general_corpus: list[str],
    min_frequency: int = 5
) -> list[TermCandidate]:
    # C-value для многословных терминов
    cvalue_extractor = CValueExtractor(max_term_length=4)
    candidates = cvalue_extractor.extract(domain_corpus)

    # Доменная специфичность: высокая TF в домене, низкая в общем корпусе
    domain_tf = compute_tf(domain_corpus)
    general_tf = compute_tf(general_corpus)

    scored = []
    for term in candidates:
        domain_score = domain_tf.get(term.text, 0)
        general_score = general_tf.get(term.text, 0.001)
        specificity = domain_score / general_score

        if specificity > 5 and term.frequency >= min_frequency:
            scored.append(TermCandidate(
                text=term.text,
                frequency=term.frequency,
                specificity=specificity,
                sample_contexts=term.contexts[:3]
            ))

    return sorted(scored, key=lambda x: x.specificity, reverse=True)

Почему автоматическая проверка переводов критична для бренда?

Без контроля один термин может получить 3–4 варианта перевода. Например, 'user interface' переводится как 'пользовательский интерфейс' в одном документе и 'интерфейс пользователя' в другом. Наша система при загрузке перевода сверяет каждый термин с глоссарием и выдаёт отчёт о несоответствиях. Это сокращает время правок на 30% и избавляет от риска разночтений в документации.

Компоненты системы

Сравнение методов извлечения

Как мы это делаем: стек и кейс

Для извлечения используем PyTorch и Hugging Face Transformers для embeddings (например, all-MiniLM-L6-v2). Векторы терминов сравниваем через FAISS — это позволяет обрабатывать 100 000 документов за час. В одном проекте для нефтегазовой компании мы обработали 50 000 страниц документации за 3 дня, точность извлечения составила 97%. Для теста формируется репрезентативная выборка из 1000 терминов. Сравнение эталонного списка с извлечёнными даёт метрики precision и recall. Наша целевая точность — не ниже 95%.

Что входит в работу

На каждом этапе мы предоставляем:

• Документация: отчёт по извлечению терминов, инструкция по работе с глоссарием, API-документация.
• Доступы: веб-интерфейс для утверждения терминов, плагины для CAT.
• Обучение: воркшоп для терминологического комитета и переводчиков, 2 часа онлайн.
• Поддержка: гарантийное сопровождение 1 месяц, SLA 8/5.

Процесс работы: от аналитики до деплоя

1. Аналитика — аудит текущего корпуса, сбор требований к глоссарию.
2. Проектирование — выбор методов (TF-IDF, C-value, embedding-модели), архитектура интеграции.
3. Реализация — настройка извлечения, интерфейса workflow, плагинов.
4. Тестирование — проверка точности на репрезентативной выборке (не менее 1000 терминов).
5. Деплой — развёртывание на сервере заказчика или в облаке, обучение команды.

Сроки и стоимость ориентировочно

Базовая версия — от 2 до 4 недель. Расширенная с интеграцией и workflow — от 4 до 8 недель. Стоимость рассчитывается индивидуально, исходя из объёма корпуса и количества языков. Получите консультацию — оценим ваш проект за 2 дня.

Типичные ошибки при внедрении

• Использование только TF-IDF: он плохо работает с редкими многословными терминами. Обязательно дополняйте C-value или embedding-методами.
• Отсутствие контрастного корпуса: без сравнения с общим языком система выдаёт много шума (общеупотребительные слова). Берите корпус новостей или Википедию.
• Игнорирование workflow: без процесса утверждения глоссарий быстро устаревает. Настройте комитет с правами утверждения.

Мы гарантируем, что система обработает ваш корпус любого объёма — от 1000 до 1 млн документов. Свяжитесь с нами, чтобы обсудить внедрение.

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.