AI Система оценки возрастного рейтинга и качества сценариев

Быстрый, точный и прозрачный инструмент анализа сценариев для кинопроизводства и стриминговых платформ.

---

1. Цель проекта

Сократить время и стоимость получения корректного возрастного рейтинга и редакционной обратной связи по кино‑ и сериалным сценариям за счет:

• Автоматизации экспертной оценки (контентные риски, возрастные ограничения, проблемные эпизоды).
• Прозрачной аргументации каждого решения (обоснования, доказательные фрагменты).
• Интерактивного редактирования сценария и мгновенного пересчета рейтинга без ожидания недель ручной экспертизы.

2. Проблема индустрии

Как происходит сейчас	Последствия
Ручная экспертиза на поздних стадиях	Срыв дедлайнов, потеря оптимальных слотов производства
Субъективность оценки, отсутствие единых стандартов	Репутационные и юридические риски
Недели ожидания финального рейтинга	Удорожание переделок после съемок
Нет единого прозрачного инструмента	Фрагментарные процессы и дублирование усилий

Индустрии нужен быстрый, точный и воспроизводимый механизм проверки сценариев.

3. Наше решение

Ключевые принципы:

• Не жертвуем качеством ради скорости.
• Сохраняем контекст — анализ на уровне сцен и реплик.
• Предоставляем обоснование каждой классификации.
• Мгновенная итерация: правка → пересчет рейтинга → обновленная аналитика.

Артефакты и поток:

1. Загрузка сценария (PDF / DOCX, до ~120 страниц).
2. 4‑стадийный интеллектуальный пайплайн.
3. Получение структурированного отчета с проблемными фрагментами, рекомендациями и финальным возрастным рейтингом.
4. Веб‑интерфейс позволяет:
   • Просматривать сцены и реплики.
   • Вносить точечные правки нарушений.
   • Пересчитывать рейтинг “в один клик”.
   • Экспортировать отчеты (HTML / PDF / DOCX).

4. Архитектура и технологическое ядро

4.1 Сегментация текста

Зачем	Как	Результат
Структурированный анализ	Умный парсинг (7 кодировок), выделение сцен + реплик	Четкая структура, сохраненный контекст, точная локализация проблем

4.2 Модель

• OSS 20B (MoE архитектура, 32 эксперта, активация 2.5–3B параметров).
• Harmony (расширенное “reasoning” для логической интерпретации и структурированных выводов).
• Обучение на ~2.3×10¹³ токенов: глубокое понимание контекста, сарказма, атмосферы.
• Формат GGUF: квантизация → ускорение и снижение требований к ресурсам.
• Производственная готовность: баланс скорости (в 6–8 раз быстрее Dense аналогов) и качества в классификации.

4.3 4‑стадийный пайплайн

Стадия	Назначение	Ключевые эффекты
0 (Prefilter / интеллектуальная фильтрация)	Отсеивание нейтральных сцен	Экономия вычислительных ресурсов на 40–60%
1 (Базовая классификация)	Смысловой анализ предложений	Метки с уверенностями, без упора на ключевые слова
2 (Уточнение и нормализация)	Рейтинги по меткам, локальная оценка тяжести + причины / советы	Консолидация и очистка набора нарушений
3 (Финальный рейтинг + объяснение)	Подбор минимально допустимого возрастного рейтинга согласно закону	Четкое текстовое объяснение, учитывающее смягчающие факторы

(В интерфейсе отображается как Stage0–Stage3; при необходимости возможен прямой пересчет Stage3 без повторного анализа.)

5. Бизнес-ценность

Для сценаристов

• Быстрая обратная связь на стадии черновика.
• Понимание границ допустимого рейтинга.
• Творческая свобода внутри прозрачных правил.
• Экономия времени (минуты вместо недель).

Для продюсеров

• Снижение затрат на правки 60–80%.
• Ускорение подготовки и защита производственных слотов.
• Готовая структурированная документация для внутренних комитетов.

Для платформ / студий

• Автоматизация модерации и соответствия нормам.
• Снижение правовых рисков.
• Ускорение time‑to‑market.
• Аналитика контентных рисков (интенсивность, частота типов нарушений).

Резюме

Метрика	Эффект
Затраты на экспертизу	↓ до 60–80%
Скорость получения рейтинга	Недели → Минуты
Риск поздних дорогостоящих правок	Снижается за счет раннего контроля
Прозрачность	100%: у каждой классификации есть объяснение

6. Основные функциональные требования

Категория	Требования
Загрузка	Прием PDF/DOCX сценария (до ~120 страниц), идентификация документа (doc_id), хранение исходника
Парсинг	Надежное разбиение на сцены/реплики, сохранение метаданных (страница, тип блока, говорящий)
Анализ	4 стадии с прогресс‑ивентами (SSE), частичный вывод (partial updates), кэширование результатов и переиспользование между похожими версиями
Редактирование	Добавление, обновление, отмена нарушений; изменение текста реплики; отметка temp.txt для принудительного пересчета
Пересчет рейтинга	GET /api/rating/recalc/{doc_id} без тела; обновление итогового output.json
Отчеты	Генерация HTML/PDF (pdfkit + wkhtmltopdf), вывод статистик, топ меток, ключевых сцен
Экспорт сценария	HTML‑просмотр (структурированное отображение), вывод DOCX/PDF (опционально)
Кэш / ускорение	Поиск совпадений по “чистому” названию + размеру файла; игнорирование папок с temp.txt; workspace reuse
API	REST + SSE endpoint для основного анализа (stream), чистые GET для стадий и финального отчета

7. Нефункциональные требования

Аспект	Требования
Производительность	Умная фильтрация Stage 0 снижает объем последующих запросов на 40–60%; MoE модель
Масштабируемость	Стейт анализа отделен от логики рендеринга; кэширование повторных проверок сценария
Надежность	Fallbacks при импорте модели; обработка ошибок пайплайна с SSE событиями “error_start” / “error”
Прозрачность	Все метки имеют reason/advice; финальный рейтинг сопровождается пояснением (explanation)
Аудит	Дебаг‑дампы стадий (raw + parsed), сохранение промежуточных output.json
UX / Реактивность	Частичные обновления Stage1 (partial_stage1), фактический показ прогресса сцен/реплик
Интероперабельность	Форматы: JSON для API, HTML/PDF для отчетов, DOCX/PDF/HTML для экспорта текста
Безопасность	Никаких пользовательских команд не исполняются; пути и имена файлов нормализуются; запрет использования временных неконтролируемых директорий
Кеш‑инвалидаторы	temp.txt гарантирует принудительный пересчет при любой серверной правке

8. Формат итогового output.json (упрощенный обзор)

{
  "document": "scenario_input.json",
  "final_rating": "12+",
  "model_final_rating": "12+",
  "model_explanation": "…",
  "scenes_total": 36,
  "problem_fragments": [
    {
      "scene_index": 3,
      "sentence_index": 7,
      "text": "...",
      "labels": ["VIOLENCE_NON_GRAPHIC", "WEAPONS_USAGE"],
      "evidence_spans": {
        "VIOLENCE_NON_GRAPHIC": { "severity": "Moderate", "score": 55, "reason": "Описание драки...", "advice": "Уменьшить детализацию..." },
        "WEAPONS_USAGE": { "severity": "Mild", "score": 42, "reason": "Показ использования оружия...", "advice": "Смягчить формулировку..." }
      },
      "severity_local": "Moderate",
      "recommendations": ["Снизить интенсивность сцены"]
    }
  ],
  "parents_guide": {
    "Violence": { "severity": "Moderate", "episodes": 15, "scenes_with_issues_percent": 33.3, "examples": [ ... ] },
    "Weapons":  { "severity": "Mild", "episodes": 8, "scenes_with_issues_percent": 20.0, "examples": [ ... ] }
  },
  "processing_seconds": 74.21
}

9. API (основные эндпоинты)

Метод	Путь	Назначение
POST	/api/scenario/upload	Загрузка сценария
GET	/api/analyze/run	SSE анализ (многостадийный поток)
GET	/api/stage/{doc_id}/final	Получение финального отчета
GET	/api/report/{doc_id}?inline=true	Просмотр отчета (HTML/PDF)
GET	/api/rating/recalc/{doc_id}	Пересчет финального рейтинга (Stage 3)
POST	/api/edit/violation/add/{doc_id}	Добавление нарушения
PUT	/api/edit/violation/update/{doc_id}	Обновление нарушения
POST	/api/edit/violation/cancel/{doc_id}	Отмена нарушения
PATCH	/api/edit/violation/sentence/{doc_id}	Изменение текста реплики
POST	/api/scenario/view/{doc_id}	HTML визуализация текста сценария
POST	/api/scenario/export/{doc_id}	Экспорт DOCX/PDF

10. Пайплайн

1. Загрузка файла → workspace/data/<doc_id>.
2. Парсер → parsed_scenes.json.
3. SSE анализ:
   • Stage0 (prefilter) → Stage1 (классификация) → Stage2 (оценка меток) → Stage3 (финальный рейтинг).
4. output.json обновляется инкрементально и кэшируется.
5. Редактирование нарушений обновляет output.json + устанавливает temp.txt (инвалидатор).
6. Повторный запуск пересчета рейтинга ← только Stage3 обновляет тот же output.json.

11. Ключевые преимущества

• Скорость: минуты вместо недель.
• Контекст: анализ на уровне сцен и реплик вместо слабой разметки.
• Прозрачность: наличие объяснений (reason + advice).
• Интерактивность: правки и мгновенный пересчет без ручных циклов.
• Масштабируемость: переиспользование результатов между версиями сценариев.

12. Скриншоты интерфейса

Загрузка сценария Анализ Редактирование/добавление нарушений Отчёт

13. Запуск проекта

Для запуска проекта убедитесь, что установлены все зависимости для фронтенда и бэкенда.

1. Фронтенд

Перейдите в директорию фронта и запустите dev-сервер:

cd front-main
npm run dev

После старта вы сможете открыть фронтенд в браузере по адресу, указанному в консоли

---

2. Бэкенд

В отдельном терминале перейдите в директорию бэкенда и запустите сервер:

cd back
uvicorn backend.main:app --reload

По умолчанию Uvicorn поднимает сервер по адресу:

http://127.0.0.1:8000

После запуска обоих сервисов фронтенд будет взаимодействовать с бэкендом по настроенным эндпоинтам.

Сборка и запуск через Docker

Перейдите в папку с файлом docker-compose.yml и выполните команды:

docker compose build

docker compose up

Использование модели для оценки возрастного рейтинга не заменяет финальную юридическую экспертизу. Проект предоставляет инструмент предварительной аналитики и оптимизации производственного процесса.