Как правильно подойти к вопросу: может, у кого-то есть дампы с реальными наименованиями товаров/услуг и кодами ОКПД2 для обучения NLP-модели?

Для датасета “наименование товара/работы/услуги → ОКПД2” лучше всего подходят реальные позиции из закупочной документации, контрактов, спецификаций и КТРУ, но их нужно чистить. Если просто парсить ЕИС, действительно получите много дублей и шум: одинаковые формулировки, мусорные строки, лоты без нормальной детализации, разные версии одного и того же текста.

Источники, которые стоит смотреть:

• ЕИС/zakupki.gov.ru: контракты, позиции, спецификации, планы-графики;
• КТРУ как справочник нормализованных позиций;
• Clearspending как дополнительный слой, если хватает лимитов;
• региональные порталы открытых данных;
• архивы FTP/выгрузки ЕИС, если найдёте актуальные;
• внутренние выгрузки 1С/ERP, если есть право использовать данные.

Ключевой этап — не сбор, а нормализация. Нужно удалить дубли, привести к нижнему регистру, убрать номера партий, даты, лишние характеристики, но не потерять важные признаки. Например, “услуги по технической защите конфиденциальной информации” и “оказание услуг по защите информации” могут относиться к близким кодам, а “поставка кабеля” и “монтаж кабеля” — уже разные типы закупки.

Я бы строил датасет так:

1. Собрать много сырых пар.
2. Оставить только строки, где код ОКПД2 задан явно.
3. Сгруппировать по коду и удалить почти одинаковые тексты.
4. Сбалансировать классы, иначе модель выучит только популярные коды.
5. Оставить source_id и ссылку на источник для аудита.

Для модели лучше сначала классифицировать не полный код до последнего знака, а иерархически: раздел → класс → группа → подгруппа. Так меньше ошибок на редких кодах и проще объяснять результат.

Итог: готовый идеальный дамп найти сложно, но рабочий датасет собирается из ЕИС + КТРУ + контрактных позиций. Главное — дедупликация, балансировка и хранение источников. Без этого модель будет показывать высокую точность на дублях, но плохо работать на новых реальных формулировках.