ИИ сервис извлечения характеристик товара из наименования. Spacy + LLM Ollama + 1С

Всем привет, с вами Низамов Илья! В этом видео покажу реальный проект по автоматизации заполнения характеристик товаров в 1С с помощью искусственного интеллекта — SpaCy + LLM Ollama + Python. Флагманский курс «ИИ для 1С»: https://nizamov.school/courses/ai/chatgpt-1s/?utm_source=youtube Telegram-канал автора: https://t.me/+9iyfWeGqvMg2NTcy Разбор темы в статье: https://nizamov.school/automating-product-attributes-1c-spacy-ollama/?utm_source=youtube Если вы работаете с большими прайс-листами от поставщиков, маркетплейсами или оптовыми заказами, то знаете, как долго приходится вручную заполнять виды характеристик в 1С. В этом ролике — решение: нейросеть, которая за секунды извлекает тип товара, размер, цвет, модель и другие параметры прямо из названия! Что внутри: Интеграция LLM (Ollama) для подготовки размеченного датасета Обучение модели SpaCy NLP на собственных данных Автоматическое извлечение именованных сущностей (NER) из наименований товаров Работа с батчами — обработка множества товаров за раз Аугментация данных, чтобы модель понимала тип товара в любом месте названия Полностью локальное решение на Docker + FastAPI, без зависимости от облачных API Почему это важно? — Ускоряет обработку прайсов — Подходит для маркетплейсов, ритейла, дистрибуции — Можно адаптировать под любые категории: одежда, электроника, техника и др. — Поддержка локальных и облачных LLM моделей (например, Gemini 3.27B) Получить исходники можно тут #1с #иив1с #спаси #spacy #ollama #llm #spacyai #spacynlp #модельspacy #iiассистент1с #характеристики1с #видыхарактеристик1с #применениеиив1с #интеграцияиив1с #курсыиив1с #каквнедритьиив1с #иидляробытс1с #низамовилья #python #fastapi #нейросеть #обработкатекста #nlp #gemini #llмодели #ollамамодели Таймкоды: 00:00:02 — Задача: извлечение именованных сущностей из наименований 00:01:22 — Демо: predict single и батч-обработка 00:03:21 — Архитектура: Docker, Ollama, Spacy NER, FastAPI 00:04:43 — Шаги 1-2: загрузка наименований и генерация датасета через LLM 00:06:41 — Проверка выбросов и подготовка датасета 00:09:22 — Шаг 3: разбиение датасета и аугментация 00:12:01 — Шаг 4: обучение модели Spacy (30 эпох) и fine-tuning 00:15:20 — LLM против обученной нейросети: скорость и применение