Виклики домену
Примітка редакції, 13 жовтня 2026: допис написано на старті й виправлено в таких пунктах: таксономія NER має девʼять міток (див. настанови), лексикон заплановано в пізнішому релізі, а цифри в останньому розділі тепер узято з живого корпусу. Початкова версія наводила чотири типи сутностей, обсяг лексикону та статистику анотації, яких не вдалося підтвердити. Оновлено 25 жовтня 2026: показники охоплюють девʼять ДБН; вилучено речення про дослідницьких партнерів, яких проєкт не має.
Українська будівельна термінологія ставить унікальні виклики для NLP. Будівельні документи поєднують формальну літературну українську з технічним жаргоном, радянською термінологією з російськомовних стандартів (ДБН/СНиП) та сучасними англійськими запозиченнями. Одне поняття може виступати як залізобетон, ж/б або армований бетон.
Наявні словники добре покривають загальну лексику, але мають значні прогалини в будівельній термінології. Ця неузгодженість створює проблеми для NLP-систем: токенізатори неправильно розбивають складені терміни, NER-моделі не розпізнають доменні сутності.
BUDOVA планує заповнити ці прогалини курованим структурованим лексиконом на основі первинних джерел — офіційних ДБН і університетських підручників — з експертною перевіркою. Лексикон заплановано в пізнішому релізі; його терміни зʼявлятимуться в глосарії.
Структура лексикону
Лексикон BUDOVA спроєктований як машинно-читабельний лінгвістично багатий ресурс. Кожний запис міститиме український термін, англійський еквівалент, морфологічну інформацію (рід, відмінювання, наголос), визначення та приклади вживання з корпусу.
- term_uk: канонічна українська форма з наголосом
- term_en: англійський переклад
- morphology: рід, число, клас відмінювання
- domain: ієрархічний шлях категорії (напр., Матеріали > Бетон > Добавки)
- synonyms: варіантні форми, абревіатури, розмовні еквіваленти
Лексикон заплановано в пізнішому релізі. Ціль — 5–10 тис. записів, кожен перевірятимуть фахівці домену.
Схема NER-анотації
Схема NER-анотації складалася паралельно з цією термінологічною роботою. Перший начерк на старті мав чотири типи сутностей — MATERIAL, ELEMENT, PROCESS і PROPERTY. Під час розмітки справжніх будівельних норм таксономія зросла до девʼяти міток, визначених у публічних настановах з анотації:
- material: будівельні речовини, композити та іменовані продукти (напр., портландцемент, арматура А500С)
- tool: техніка, обладнання та інструменти (напр., кран, риштування, опалубка)
- process: будівельні роботи, які хтось виконує (напр., бетонування, монтаж опалубки, гідроізоляція)
- measurement: числа з одиницями, коди класів, розміри
- structure: конструктивні та архітектурні елементи, інженерні споруди й будівлі (напр., несуча стіна, фундаментна плита)
- safety: засоби, заходи та іменовані режими вбереження людини від шкоди
- regulation: нормативні посилання та нормативно-правові акти (напр., ДБН В.2.6-98:2009)
- property: іменовані технічні властивості та класи характеристик (напр., міцність на стиск, клас вогнестійкості)
- load_effect: навантаження та інші впливи на конструкцію і механічний стан, який вони спричиняють (напр., навантаження, прогин)
Спани зберігаються як позиції символів у записах JSON lines (див. документацію); платформа також уміє експортувати CoNLL з тегами IOB2.
Станом на жовтень 2026 корпус містить 2 927 розмічених сегментів з девʼяти ДБН — близько 16 700 еталонних спанів сутностей. Кожен сегмент отримує три незалежні проходи розмітки, після чого — адʼюдикацію за опублікованими настановами та аудит одностайних записів; показники узгодженості — на сторінці IAA.
