Реализация семантического поиска по текстовым документам

Стандартный полнотекстовый поиск (BM25) не справляется с синонимами, перефразировками и опечатками. Запрос «как повысить мотивацию команды» находит документы о «методах управления персоналом» — без единого совпадения по словам. Это принципиально другая архитектура, требующая векторных представлений и ANN-индексов. Мы реализуем такие системы под ключ, начиная с аудита данных и заканчивая деплоем в продакшен. Подробнее о концепции можно прочитать в статье о семантическом поиске.

Архитектура семантического поиска

Bi-encoder — основной рабочий режим: отдельные модели кодируют запрос и документы в общее векторное пространство. Поиск сводится к нахождению ближайших векторов через ANN (Approximate Nearest Neighbor). Cross-encoder работает на этапе reranking: принимает пару «запрос+документ» и выдаёт точный score релевантности. Он медленнее (O(N) против O(log N)), но даёт максимальную точность. Комбинация bi-encoder (retrieve) + cross-encoder (rerank) — стандарт production-систем. Согласно работе Reimers & Gurevych (2019), такой дуэт значительно превосходит каждый из методов по отдельности.

Сравним основные подходы к эмбеддингам:

Какую модель эмбеддингов выбрать?

Для русского языка мы используем cointegrated/rubert-tiny2 как baseline — быстрый, компактный (312-мерный вектор). Для максимального качества — intfloat/multilingual-e5-large или sbert-base-ru-mean-tokens (768-мерный вектор). Fine-tuning на ваших данных даёт прирост 5-10% по NDCG. Мы подбираем модель под объём корпуса и latency requirements (p99 до 100 мс).

from sentence_transformers import SentenceTransformer, CrossEncoder

# Bi-encoder
bi_encoder = SentenceTransformer("cointegrated/rubert-tiny2")
# Для лучшего качества: "intfloat/multilingual-e5-large"

# Cross-encoder
cross_encoder = CrossEncoder("cross-encoder/ms-marco-MiniLM-L-6-v2")
# Для русского: "DiTy/cross-encoder-russian-msmarco"

Qdrant vs FAISS: что выбрать для продакшена?

Qdrant — production-grade, поддерживает гибридный поиск, фильтры, репликацию. Рекомендуем для корпоративных решений. FAISS — in-memory индекс, не требует отдельного сервиса. Идеален для прототипов и малых корпусов (< 1M векторов).

Пример индексирования в Qdrant:

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = QdrantClient("localhost", port=6333)
client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(size=312, distance=Distance.COSINE),
)

embeddings = bi_encoder.encode(documents, batch_size=64, show_progress_bar=True)
client.upload_points("documents", [
    PointStruct(id=i, vector=emb.tolist(), payload={"text": doc})
    for i, (emb, doc) in enumerate(zip(embeddings, documents))
])

Что даёт гибридный поиск?

Семантический поиск + BM25 превосходят каждый из методов по отдельности. BM25 ловит точные совпадения (номера, уникальные термины), а эмбеддинги — смысловые близкие. Гибридный подход улучшает NDCG@10 в 2-3 раза по сравнению с чистым BM25. Мы используем RRF (Reciprocal Rank Fusion) для объединения результатов.

from rank_bm25 import BM25Okapi
bm25 = BM25Okapi([doc.split() for doc in corpus])
semantic_scores = cosine_similarity([query_emb], doc_embeddings)[0]

def rrf(bm25_ranks, semantic_ranks, k=60):
    scores = {}
    for rank, idx in enumerate(bm25_ranks):
        scores[idx] = scores.get(idx, 0) + 1/(k + rank)
    for rank, idx in enumerate(semantic_ranks):
        scores[idx] = scores.get(idx, 0) + 1/(k + rank)
    return sorted(scores, key=scores.get, reverse=True)

Оценка качества поиска

• NDCG@10 — нормализованный дисконтированный кумулятивный выигрыш. Учитывает порядок.
• MAP — средняя точность по всем запросам.
• MRR — обратный ранг первого релевантного результата.

Для оценки нужен qrels (набор запросов с релевантностью). Мы автоматизируем его создание: LLM генерирует вопросы для каждого документа, сам документ — «золотой» ответ. Это даёт репрезентативную выборку для метрик.

Процесс внедрения и сроки

1. Аудит данных: объём, формат, язык, специфические термины. Предобработка включает очистку, лемматизацию и чанкинг (размер чанка ~512 токенов с overlap 128).
2. Выбор архитектуры: bi-encoder + cross-encoder, гибрид, кастомная модель. Для крупных корпусов (>10M документов) применяем кластеризацию Qdrant с шардированием.
3. Разработка пайплайна: чанкинг, эмбеддинг, индексирование с мониторингом latency p99.
4. Настройка и деплой: кластер Qdrant (Helm-чарты), A/B тестирование, канареечный rollout.
5. Передача документации, обучение команды (2 сессии по 2 часа), гарантия 3 месяца.

Сроки: от 2 недель для прототипа, от 2 месяцев для production-решения. Стоимость рассчитывается индивидуально — свяжитесь с нами для бесплатной оценки.

Что входит в результат

• Развёрнутая архитектурная документация.
• Исходный код пайплайна с комментариями.
• Интеграция с вашей инфраструктурой (Elasticsearch, БД, облака).
• Деплой с Helm-чартами и CI/CD.
• Обучение команды (2 сессии по 2 часа).
• Поддержка на этапе промышленной эксплуатации (1 месяц).

Почему доверяют нам

Нам доверяют благодаря 5-летнему опыту и 20+ реализованным проектам. Все решения покрыты unit-тестами и benchmarks. Наши инженеры — авторы open-source тулов для эмбеддингов и ANN. Получите консультацию по вашему проекту — мы оценим задачу за 1 день. Закажите пилотный проект, чтобы увидеть результат на ваших данных.

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.