Open-source LLM в production: кейс автоматизации извлечения реквизитов из договоров
Программный комитет ещё не принял решения по этому докладу
Целевая аудитория
Тезисы
Мы покажем реальный путь от baseline (63% точности) до промышленного решения (>90% Precision, F1-score > 90%) для извлечения структурированных данных из юридических договоров. Расскажем, как выбирали между легковесными, полноразмерными и reasoning-моделями, почему остановились на Qwen3-30B-A3B, и какие инженерные решения (confidence-оценка, адаптивный чанкинг, типизация) позволили достичь бизнес-критичного качества в on-premise контуре.
3 года в ИТ. Начинал как QA-инженер, затем перешел в автоматизацию тестирования. Занимался оценкой качества AI-моделей (AI Evaluation), после чего переквалифицировался в Data Science. В настоящее время работаю над проектами, связанными c оценкой качества AI-систем.
Видео
Другие доклады секции
Продуктизация AI-решений