Разработка и внедрение системы машинного перевода текста

При переводе юридических документов через DeepL мы получили 30% ошибок в терминологии. Клиенту потребовалась система, сохраняющая контекст контрактов и обеспечивающая конфиденциальность данных. Мы разработали решение на базе fine-tuned MarianMT. Постобработка по терминологическому словарю обеспечила точность до 97%. Нередко готовые сервисы не справляются с отраслевой лексикой: юридические, медицинские или технические тексты теряют до 30% точности ключевых терминов. Для компаний, обрабатывающих большие объёмы документов, это оборачивается рисками и дополнительными затратами на вычитку. Мы решаем эту проблему с помощью кастомизированных моделей машинного перевода, которые адаптируются под предметную область и требования конфиденциальности.

Машинный перевод прошёл путь от статистических моделей (Moses) через нейронные (seq2seq+attention) к современным трансформерам. Сегодня для большинства языковых пар доступны готовые модели высокого качества. Задача сводится к выбору правильной модели и интеграции в продукт. Наши инженеры имеют сертификаты по NLP и опыт в машинном переводе. Гарантируем точность перевода не ниже BLEU ≥35 для доменных моделей (подробнее о метрике BLEU).

Как выбрать модель для машинного перевода?

Готовые API (лучшее качество, простота):

• Google Cloud Translation API: 500K символов/месяц бесплатно, >100 языков, плата за объём
• DeepL API: превосходит Google для европейских языков, ежемесячная подписка
• OpenAI GPT-4o: для контекстно-зависимого перевода (маркетинг, литература)

Open-source модели (приватность, on-premise, нет затрат на API):

• MarianMT (Helsinki-NLP): компактные модели для 1000+ языковых пар, Hugging Face
• NLLB-200 (Meta): 200 языков включая редкие, качество близко к Google для мн. пар
• SeamlessM4T (Meta): мультимодальная — текст и речь, 100+ языков
• Opus-MT: большая коллекция обученных MarianMT моделей

Почему fine-tuning необходим для отраслевых текстов?

Готовые модели плохо справляются с отраслевой терминологией. Для юридических, медицинских или технических текстов fine-tuning на 10–100 тыс. параллельных предложений повышает BLEU на 3–8 пунктов. Это в 2–3 раза больше, чем прирост от простого терминологического словаря. Мы реализовали такой проект для клиента из промышленности: дообучили MarianMT на 50 тыс. пар предложений — BLEU вырос с 30 до 37, а затраты на постобработку сократились на 80%.

Стратегии улучшения перевода:

• Терминологические словари: пост-обработка перевода с заменой на утверждённые термины. Библиотека sacremoses для детокенизации, затем regex-замена.
• Fine-tuning на доменных данных: 10K–100K параллельных предложений из вашей области. MarianMT обучается на одном GPU за несколько часов. Качество растёт на 3–8 BLEU для специализированных текстов.
• Промпт-инжиниринг для LLM: GPT-4o с инструкцией «переводи медицинские тексты, сохраняй латинские термины» без fine-tuning.

Как мы это делаем: стек и процесс

Процесс внедрения включает следующие этапы:

1. Анализ требований и спецификация языковых пар, объёмов, privacy constraints.
2. Выбор модели (API или open-source) и сбор параллельных данных.
3. Fine-tuning на доменных данных (если требуется).
4. Интеграция через REST API или gRPC.
5. Тестирование качества (BLEU, COMET, A/B-тест на реальных пользователях).
6. Деплой в production и мониторинг латентности и качества.

Пример интеграции с использованием MarianMT:

from transformers import MarianMTModel, MarianTokenizer

model_name = "Helsinki-NLP/opus-mt-ru-en"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)

def translate(texts: list[str]) -> list[str]:
    inputs = tokenizer(texts, return_tensors="pt", padding=True, truncation=True)
    translated = model.generate(**inputs)
    return tokenizer.batch_decode(translated, skip_special_tokens=True)

Для длинных документов (больше 512 токенов) используем чанкинг с перекрытием: разбиваем на предложения через nltk.sent_tokenize, переводим по одному, затем собираем с учётом форматирования. Для GPT-4o — чанкинг по абзацам с последним предложением предыдущего чанка для сохранения контекста.

Оценка качества: BLEU, COMET (модель Unbabel/wmt22-comet-da) и chrF. В production запускаем A/B-тест на реальных пользователях — сравниваем time-on-page и явные оценки.

Процесс работы

Что входит в работу

• Анализ текущего пайплайна перевода и требований
• Подбор модели: API или open-source с кастомизацией
• Fine-tuning и обучение на ваших данных
• Интеграция через REST API или gRPC
• Автоматическая оценка качества (BLEU, COMET)
• Документация и обучение команды
• Поддержка после внедрения: 1 месяц

Типичные ошибки при внедрении

Сроки и стоимость

Проект реализуем от 2 недель до 2 месяцев в зависимости от сложности и необходимости fine-tuning. Стоимость рассчитывается индивидуально — она зависит от объёмов, выбранного подхода и требований к конфиденциальности. Свяжитесь с нами для бесплатной консультации — мы подберём оптимальное решение под ваши задачи и объёмы. Закажите пилотный перевод на ваших данных и оцените результат.

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.