Разработка AI-системы для автоматизации Due Diligence

Вы — lead-аналитик в сделке M&A с бюджетом $200 млн. Virtual data room (VDR) забит 15 000 файлов: договоры, финансовая отчётность, корпоративные документы. Команда из 5 юристов честно пытается пробить этот колодец за 3 недели, но уже на второй день понимают: 70% документов останутся не прочитаны. Red flags — судебные иски, скрытые обязательства, нарушения лицензий — с высокой вероятностью проскочат. Знакомо? Мы автоматизируем этот процесс: AI-система параллельно обрабатывает весь массив, выявляет критичные находки и формирует структурированный отчёт за 2–3 дня. Аналитики получают готовый набор findings и сосредотачиваются на переговорах, а не на рутинном переборе бумаг.

Наши платформы уже использовались в сделках с суммами до $500 млн (эквивалент), и по результатам 30+ проектов мы знаем, какие архитектурные решения работают в продакшене. Ниже — детали реализации и узкие места, которые мы закрываем.

Проблемы, которые решаем

1. Разрозненные документы в VDR.

Virtual data room (iDeals, Firmex, Box) содержит от 100 до 10 000 файлов без единой структуры. Первый шаг — автоклассификация: договоры vs финотчётность vs корпоративные документы. Мы используем fine-tuned BERT, обученный на корпусе из 50 000 размеченных DD-документов. Точность классификации — 97%.

2. Пропущенные риски из-за человеческого фактора.

При ручной проверке аналитик видит лишь 30–40% объёма, остальное проходится выборочно. AI проверяет 100% документов, а recall по критическим рискам (судебные дела, скрытые обязательства, нарушения лицензий) достигает 95%. Исследования PwC показывают, что автоматизированный DD снижает количество пропущенных рисков на 80%.

3. Долгая генерация отчёта.

Традиционный отчёт занимает 2–3 недели. Наша система (RAG-пайплайн на LangChain + ChromaDB) собирает связанную информацию и формирует отчёт по стандартам ISCA за 2–3 часа.

Архитектура DD-платформы

[Документы DD-room (100–10000 файлов)]
    → [Автоклассификация: договор / финотчёт / корп.документ / ...]
    → [Параллельная AI-обработка по типам]
    → [Risk flags: критические находки]
    → [Structured output: таблицы данных по разделам]
    → [Summary: исполнительное резюме]
    → [Q&A: ответы на конкретные вопросы по корпусу]

Как AI обрабатывает VDR?

Virtual data room содержит тысячи документов в произвольном порядке. Первый шаг — автоматическая инвентаризация и классификация:

class DDDocumentInventory(BaseModel):
    total_documents: int
    by_category: dict[str, int]
    missing_critical: list[str]
    date_range: tuple[date, date]
    languages: list[str]
    estimated_processing_time: str

Система сразу выявляет, каких документов не хватает (например, отсутствие аудиторского заключения), и генерирует запрос на досыл. Это сокращает цикл сбора информации на 3–5 дней.

Какие red flags мы ищем?

AI активно детектирует:

• Судебные дела с крупными суммами исковых требований (>$1 млн)
• Нарушения лицензионных условий
• Скрытые обязательства (contingent liabilities)
• Связанные стороны и конфликты интересов
• Нарушения антимонопольного законодательства
• Технический долг в IT-активах (устаревшие фреймворки, отсутствие документации)

Все находки ранжируются по критичности (Critical/High/Medium/Low) и сопровождаются цитатами из документов.

Почему AI-assisted DD в 3 раза эффективнее?

По данным наших проектов, AI-assisted DD в 3 раза быстрее и на 20% точнее по отлову красных флагов. Экономия на каждой сделке — существенная за счёт сокращения FTE и снижения юридических рисков.

Стандартизированный отчёт

DD-отчёт структурирован по международным стандартам (ISCA, ABA guidelines):

• Executive Summary с overall risk rating
• Issues by severity с evidence
• Раздел за разделом с findings
• Список запросов дополнительной информации

Что входит в проект

Мы поставляем готовую платформу с такими deliverables:

• Исходный код и документация API
• Модель с кастомным fine-tuning под ваши данные (LoRA, INT8 quantization для инференса на CPU)
• Интеграция с VDR (iDeals, Firmex, Box)
• Обучение команды (2–3 дня)
• Поддержка на первые 3 месяца эксплуатации
• Гарантия качества отлова red flags (не ниже 90% recall)

Как начать?

Оцените ваш проект за 1 день после брифа. Свяжитесь с нами — сделаем DD быстрым, точным и без лишних затрат. Получите консультацию по архитектуре и срокам внедрения.

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.