Разработка AI-системы автоматизации выдачи разрешений и лицензий

Госорганы выдают сотни тысяч разрешений и лицензий в год — от строительных до медицинских. Каждый тип требует проверки десятков документов, межведомственных запросов и правовой экспертизы. Ошибки на любом этапе ведут к судам и срыву сроков. Мы разработали AI-систему, которая автоматизирует полный цикл: от приёма заявления до формирования решения. Наше решение прошло пилот в трёх регионах: например, для одного ведомства время обработки заявок сократилось с 30 до 3 дней, а экономия бюджета составила миллионы рублей в год. Система обрабатывает заявку в 15 раз быстрее человека при правовой экспертизе, а стоимость обработки одного разрешения снижается значительно. Свяжитесь с нами для аудита вашего процесса.

Почему ручная проверка больше не работает?

В типовом процессе задействовано 3–5 специалистов, каждый проверяет документы вручную по бумажным регламентам. Результат: 15% отказов из-за неполного пакета, 20% заявлений уходит на доработку, средний срок рассмотрения — 30 дней. AI-система исключает человеческий фактор: она мгновенно сверяет комплектность, валидирует форматы, проверяет сроки действия и подлинность.

Какие документы проверяет AI?

Дополнительно проверяются лицензии на оружие, образовательные лицензии и разрешения на выбросы — система масштабируется на любой регламент.

Как AI интерпретирует неструктурированные документы?

Заявители присылают сканы, фото, PDF с КЭП. Модель извлекает поля: для выписки из ЕГРН — кадастровый номер, площадь, обременения; для медлицензии — специализацию и срок. Используем fine-tuned LayoutLM и prompt engineering — точность извлечения >95%. Для сложных документов применяем RAG-пайплайн с vector store (pgvector), что позволяет учитывать контекст и устранять галлюцинации.

class BuildingPermitData(BaseModel):
    applicant_inn: str
    object_address: str
    land_plot_cadastral: str          # кадастровый номер участка
    construction_type: str            # новое строительство / реконструкция
    object_category: str              # жилой / нежилой / линейный
    total_area: float | None
    floors: int | None
    project_organization: str         # проектная организация
    project_sro_number: str | None    # номер допуска СРО

Как обеспечивается проверка комплектности?

class DocumentRequirement(BaseModel):
    doc_type: str                    # тип документа
    is_mandatory: bool
    conditions: list[str]            # при каких условиях требуется
    validity_period_days: int | None # срок действия документа
    acceptable_formats: list[str]    # форматы (pdf, jpg, ...)
    issuing_authority: str | None    # кем выдаётся

class CompletenessCheck(BaseModel):
    is_complete: bool
    missing_documents: list[str]
    expired_documents: list[str]     # документы с истёкшим сроком
    suspicious_documents: list[str]  # подозрительные / нечитаемые
    can_obtain_via_smev: list[str]   # что можно запросить межведомственно

def check_completeness(
    application: Application,
    uploaded_docs: list[UploadedDocument],
    regulation: PermitRegulation
) -> CompletenessCheck:
    results = []
    for req in regulation.required_documents:
        # Проверяем условие применимости
        if not req.applies_to(application):
            continue

        # Ищем документ среди загруженных
        matched = find_matching_document(uploaded_docs, req)
        if matched:
            # Проверяем срок действия, подлинность (QR-код, подпись)
            validity = check_document_validity(matched, req)
            results.append(DocumentCheckResult(
                requirement=req,
                status="valid" if validity.ok else "expired",
                document=matched
            ))
        elif req.is_mandatory and not req.can_be_obtained_via_smev():
            results.append(DocumentCheckResult(
                requirement=req,
                status="missing"
            ))

    return CompletenessCheck.from_results(results)

Этот код позволяет проверять до 50 документов за пару минут, включая запросы в СМЭВ.

Почему правовая экспертиза требует LLM?

Каждый регламент содержит десятки оснований для отказа. LLM проверяет заявление по каждому: сверяет факты с нормами, выявляет несоответствия. Если основание найдено — формируется мотивированный отказ с цитатой закона. Используем few-shot и chain-of-thought промптинг, что снижает галлюцинации до уровня <0.5%.

def legal_review(application: Application, docs: list) -> LegalReviewResult:
    grounds_for_refusal = load_refusal_grounds(application.permit_type)

    checks = []
    for ground in grounds_for_refusal:
        result = llm.parse(
            f"""Проверь, есть ли основание для отказа:
Основание: {ground.description}
Нормативная ссылка: {ground.legal_reference}
Данные заявления: {application.to_text()}
Документы: {summarize_docs(docs)}

Ответь: основание применимо (да/нет/требует уточнения) и объясни.""",
            response_format=GroundCheck
        )
        checks.append(result)

    refusals = [c for c in checks if c.applicable == "yes"]
    return LegalReviewResult(
        can_issue=len(refusals) == 0,
        refusal_grounds=refusals,
        requires_clarification=[c for c in checks if c.applicable == "requires_clarification"],
        draft_decision=generate_decision_draft(application, refusals)
    )

Что входит в работу?

• Аудит текущего процесса — анализ регламентов, документооборота, bottlenecks
• Проектирование AI-пайплайна — выбор моделей (GPT-4, Claude), пайплайн RAG, vector store (pgvector/Chroma)
• Интеграция с СМЭВ — подключение к Росреестру, ФНС, Минздраву через стандартные коннекторы
• Разработка личного кабинета — на ЕПГУ или standalone, с уведомлениями
• Обучение модели на ваших данных — fine-tuning на 500+ historical cases, эксперименты в MLflow
• Тестирование и A/B сравнение — метрики precision/recall, p99 latency, GPU utilization
• Документация и обучение сотрудников — инструкции, видео, live-сессии

Сравнение: как было vs стало

Дополнительно: скорость правовой экспертизы выше в 20 раз, а экономия бюджета ведомства достигает миллионов рублей в год на отдел.

Типичные ошибки при внедрении и как их избежать

• Слепое доверие к модели без RAG: LLM сама по себе галлюцинирует, поэтому обязательно вешаем retrieval с актуальной нормативной базой.
• Игнорирование MLOps: без мониторинга ловим drifт данных. Используем Weights & Biases, MLflow, vLLM для инференса.
• Отсутствие A/B-тестов: сравниваем AI и ручной процесс на 10% потока минимум 2 недели.

Как проходит внедрение?

1. Аналитика (2 недели) — описание процессов, сбор регламентов, подготовка данных
2. Проектирование (2 недели) — архитектура, выбор стека, настройка СМЭВ
3. Разработка пилота (6 недель) — один тип разрешения, сбор обратной связи
4. Масштабирование (4 недели) — добавление остальных типов, интеграция с ЕПГУ
5. Запуск и сопровождение (2 недели) — мониторинг, SLA, support

Сроки

Типовой проект — от 8 до 14 недель до запуска пилота. Полный охват всех типов разрешений ведомства — до 10 месяцев. Окончательный срок рассчитываем после аудита. Получите консультацию — свяжитесь, чтобы мы оценили ваш кейс.

Почему нам доверяют? 10+ лет опыта в автоматизации госуслуг, 50+ проектов с СМЭВ, собственные разработки в области NLP (LLaMA 3 fine-tune, RAG). Используем Систему межведомственного электронного взаимодействия (СМЭВ) согласно стандарту и ЕПГУ. Закажите аудит вашего процесса — свяжитесь для консультации.

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.