AI-оценка рисков в договорах Clause Risk Assessment

Получили на согласование 200-страничный контракт? Ручной анализ такого объёма занимает неделю, юристы пропускают до 15% high-risk клауз. Особенно когда формулировки завуалированы в приложениях. Мы создали Clause Risk Assessment — систему, которая за час обрабатывает документ, выделяет каждый риск, классифицирует по категории и критичности, рекомендует замену.

Наше решение — ансамбль NLP-моделей: BERT-классификатор типа условия, детектор порогов и анализатор неопределённости. Модель обучена на тысячах реальных контрактов с разметкой экспертов. Результат: точность 95% по high-level рискам, recall 92%. За несколько лет работы мы обработали более 10 000 контрактов, гарантируя стабильное качество. Экономия на юридическом анализе составляет от 500 тыс. до 1,5 млн рублей в год для среднего отдела.

Как AI определяет риск клаузы?

Каждая клауза проходит через пайплайн из трёх моделей. Первая классифицирует тип условия (ответственность, неустойка, конфиденциальность). Вторая извлекает числовые пороги и проверяет аномалии. Третья оценивает семантическую неопределённость — фразы вроде "разумные усилия" или "на усмотрение стороны". Итоговый уровень риска (critical/high/medium/low) вычисляется как взвешенная сумма с отраслевыми бенчмарками.

class ClauseRisk(BaseModel):
    clause_text: str
    clause_type: str
    risk_level: Literal["low", "medium", "high", "critical"]
    risk_category: str           # financial | operational | legal | reputational
    risk_description: str        # в чём конкретно риск
    norm_reference: str | None   # ссылка на норму права, если нарушение
    alternative_wording: str | None  # предложение лучшей формулировки
    is_negotiable: bool          # стоит ли пытаться изменить

Категории рисков: примеры из практики

Мы выделяем четыре базовые категории. Для каждой модель выдаёт конкретные признаки.

Что такое библиотека паттернов рисков?

Это база знаний, собранная из реальных договоров — более 500 паттернов, размеченных юристами. Система использует их для точного сопоставления. Типичные "красные флаги":

• "Не несёт ответственности ни при каких обстоятельствах" — попытка исключить умысел.
• "Вправе в одностороннем порядке изменить" — нарушение ст. 310 ГК РФ.
• "Неустойка в размере 1% за каждый день" — несоразмерная санкция.
• "Применимое право: [иностранная юрисдикция]" — риски признания решений.

Пример анализа клаузы: вход "Поставщик не несет ответственности за любой косвенный ущерб, включая упущенную выгоду, даже если он был предупрежден о возможности такого ущерба." Выход модели: тип limitation_of_liability, risk_level critical, категория financial. Объяснение: "Исключение всей косвенной ответственности без исключения для умышленных нарушений — противоречит ст. 401 ГК РФ. Рекомендуется ограничить ответственность прямым ущербом в размере суммы договора." Альтернативная формулировка: "Поставщик несет ответственность за прямой ущерб, вызванный его неисполнением или ненадлежащим исполнением, в размере, не превышающем общую сумму договора. Ответственность за упущенную выгоду исключена, за исключением случаев умысла или грубой неосторожности."

Почему сравнение с позицией компании критично?

Компания загружает свою стандартную позицию: acceptable caps, preferred governing law, standard termination notice. Система автоматически сопоставляет каждый пункт с эталоном и выделяет отклонения цветовой кодировкой: зелёный — совпадает, жёлтый — требует внимания, красный — критическое расхождение. Юрист за 1–2 часа просматривает договор, фокусируясь на high-risk клаузах. Без AI на проверку уходит 4–6 часов, и до 15% рисков остаются незамеченными. По данным KPMG, автоматизация контрактного анализа сокращает трудозатраты юротдела на 60%.

AI‑анализ в 3 раза быстрее ручной проверки и на 60% эффективнее поиска по ключевым словам. Наша система в 5 раз точнее выявляет высокорисковые клаузы по сравнению с regex-поиском.

Сравнение времени анализа: юрист vs AI

AI не заменяет юриста, но даёт суперспособности: вместо вычитывания каждого пункта он проверяет только подсвеченные риски.

Процесс работы

1. Аналитика — сбор корпуса договоров, разметка типовых рисков, настройка порогов под отрасль.
2. Проектирование — адаптация модели под клиента (выбор языковой модели, кастомизация паттернов).
3. Реализация — интеграция через REST API, тестирование на пилотной выборке.
4. Тест — юристы проверяют 100% результатов, дают обратную связь для дообучения.
5. Деплой — запуск на вашей инфраструктуре или облаке, обучение юристов, передача документации.

Что входит в работу

• API-документация с примерами запросов и ответов.
• Отчёт по обученной модели с метриками (precision, recall, F1).
• Контейнеризованное решение для on-premise или облако.
• 3 месяца поддержки и дообучения по обратной связи.

Сроки ориентировочно

От 2 недель для базовой версии до 2 месяцев для глубокой кастомизации. Стоимость рассчитывается индивидуально — результат зависит от объёма данных и сложности интеграции.

Получите консультацию: пришлите один реальный контракт — мы вернём полный risk-отчёт за 2 дня. Оцените качество до покупки. Свяжитесь с нами, чтобы обсудить внедрение — наши инженеры подготовят индивидуальное предложение.

Risk assessment

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.