RPA-боты с LLM: обработка неструктурированных данных

Классические RPA-инструменты — UiPath, Automation Anywhere, Blue Prism — отлично справляются со структурированными данными и детерминированными сценариями. Проблема возникает, когда в процессе появляется неструктурированный текст: письма, PDF-сканы, свободные формы, чаты. Здесь RPA без AI либо требует жёстких шаблонов, либо ломается при малейшем отклонении. Интеграция LLM в RPA-пайплайн закрывает этот разрыв, и мы предлагаем решение под ключ.

Типичный сценарий: входящие счета от 50 разных поставщиков — каждый со своей структурой. Ручная обработка занимает 3–5 минут на документ. После внедрения LLM-модуля время сокращается до 15–30 секунд, точность извлечения ключевых полей — 92–96%. Сравнение с традиционными методами: LLM-подход в 4 раза эффективнее шаблонных парсеров и не требует переобучения при смене формата. Закажите пилотный проект — мы за одну неделю оценим применимость LLM на ваших документах.

Как архитектура RPA-LLM выглядит в production?

Не каждый шаг процесса требует языковой модели. Разумная архитектура разделяет задачи: RPA-движок управляет навигацией, кликами, передачей данных между системами. LLM подключается точечно — там, где нужно понять текст, извлечь сущности или принять решение по нечёткому условию.

Типичные точки интеграции:

• Извлечение данных из входящих писем — определение типа запроса, извлечение реквизитов, маршрутизация
• Обработка PDF-документов — накладные, акты, договоры с вариативной структурой
• Классификация обращений — поддержка, рекламации, запросы на информацию
• Заполнение форм — на основе свободного описания от пользователя или документа

Стандартная схема включает три слоя:

Слой RPA — оркестратор процесса. В зависимости от платформы это может быть UiPath Orchestrator, Robocorp, n8n или самописный планировщик на Python. Отвечает за триггеры, очереди задач, логирование результатов.

Слой AI-обработки — микросервис или лямбда, принимающий неструктурированный контент и возвращающий структурированный JSON. Внутри: предобработка текста (pytesseract/pdfminer для извлечения, langchain/llama-index для оркестрации запросов к LLM). Модель — GPT-4o, Claude 3.5 Sonnet или локальный Mistral/LLaMA через Ollama, в зависимости от требований к конфиденциальности.

Слой валидации — проверка уверенности модели, fallback на человека при низком confidence score. Реализуется через structured output (JSON Schema в промпте или OpenAI function calling) + правила постобработки.

Что входит в работу

• Документация архитектуры и API-спецификаций
• Доступы к LLM-микросервису через REST API
• Обучение команды RPA-разработчиков
• Поддержка в течение месяца после запуска

Почему confidence routing критичен для production?

Модель не всегда уверена. Стратегия confidence routing:

• confidence > 0.9 — автоматическая обработка, логирование
• 0.7–0.9 — обработка + флаг для выборочной проверки
• < 0.7 — отправка в очередь ручной проверки + уведомление

Confidence можно получить несколькими способами: логпробабилити токенов (доступны через API OpenAI), отдельный verification-промпт, или ensemble из двух моделей с голосованием. Наша архитектура confidence routing снижает human escalation на 80% по сравнению с пороговыми правилами.

Какие LLM лучше подходят для RPA?

Выбор модели зависит от требований к латенси, точности и конфиденциальности. Типичная стоимость LLM-вызова — от $0.001 до $0.01 на документ при использовании gpt-4o-mini, что составляет менее 5% от экономии на ручной обработке. Сравнение популярных моделей:

Технические детали интеграции

Ключевой момент — промпты должны возвращать строго типизированный JSON, а не свободный текст. Используйте Pydantic-схемы для валидации выхода:

from pydantic import BaseModel
from openai import OpenAI

class InvoiceData(BaseModel):
    vendor_name: str
    invoice_number: str
    total_amount: float
    currency: str
    due_date: str | None

client = OpenAI()
response = client.beta.chat.completions.parse(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": f"Extract invoice data:\n{text}"}],
    response_format=InvoiceData,
)

Structured outputs от OpenAI или аналогичный режим в Claude (tool_use) гарантируют валидный JSON без постобработки regex.

Метрики и мониторинг

После запуска в prod отслеживайте:

• Extraction accuracy — процент полей, извлечённых корректно (эталонная выборка)
• Human escalation rate — цель: снизить с 30–40% (ручная обработка) до 5–10%
• Processing latency — p95 по времени LLM-вызова, цель < 3 с для синхронных процессов
• Token cost per document — для бюджетирования, обычно $0.001–0.01 на документ с gpt-4o-mini

Типичные результаты после внедрения: время обработки одного документа снижается с 3–5 минут (ручная) до 15–30 секунд, accuracy на структурированных полях достигает 92–96%. Наш опыт — более 10 лет в AI/ML, выполнено 50+ проектов по интеграции RPA и LLM. Оценим ваш проект за один день — свяжитесь для консультации. Получите консультацию по архитектуре и выбору модели.

Сроки реализации

• Прототип (1 тип документа, 1 процесс): 2–3 недели
• MVP (3–5 типов документов, интеграция с CRM/ERP): 6–8 недель
• Масштабируемое решение (очередь, мониторинг, fallback): 10–14 недель

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.