Автоматизация compliance-аудита: RAG-система с мониторингом изменений

Как RAG и LLM автоматизируют compliance-проверки

Ручная проверка сотен страниц договоров на соответствие регуляторным требованиям — это медленно, дорого и чревато ошибками. Юристы тратят до 40% времени на монотонный аудит, а изменения в законодательстве выходят еженедельно. Мы спроектировали AI-систему, которая автоматизирует compliance-проверки с помощью RAG и LLM, сокращая время аудита в 20 раз и снижая риски штрафов. Система работает в круглосуточном режиме, обрабатывая до 1000 страниц в день, и не требует постоянного участия человека.

Даже опытный compliance-офицер не может уследить за всеми изменениями: за последний период в РФ принято более 600 нормативных актов. Человеческий фактор приводит к пропуску 15–20% нарушений. AI-система решает эту проблему через автоматический gap-анализ, мониторинг изменений с алертами и единую базу знаний в RAG-репозитории. Точность проверки достигает 95% для типовых документов (договоры, политики) благодаря fine-tuning на юридических корпусах и few-shot промптам.

Почему ручная проверка compliance перестала работать?

Объём регуляторной базы растёт экспоненциально. По данным ЦБ РФ, количество разъяснений по 115-ФЗ увеличилось на 30% за год. Даже штат из пяти compliance-офицеров не в состоянии отследить все изменения вручную. Основные проблемы:

• Затраты времени — на проверку одного договора (50 страниц) уходит 4–6 часов.
• Пропуск нарушений — человеческая невнимательность даёт 15–20% брака.
• Устаревшие базы — обновление нормативов раз в квартал, хотя акты меняются ежедневно.

Как AI-система проверяет compliance?

Ключевой компонент — RAG (Retrieval-Augmented Generation). На каждый документ система ищет релевантные нормативные требования, а затем LLM формирует структурированный ответ.

class ComplianceCheck(BaseModel):
    document_type: str
    jurisdiction: str
    violations: list[Violation]
    warnings: list[Warning]
    compliant_aspects: list[str]
    overall_status: Literal["compliant", "minor_issues", "violations", "critical_violations"]
    applicable_regulations: list[str]
    recommendations: list[str]

def check_compliance(document_text: str, doc_type: str, jurisdiction: str) -> ComplianceCheck:
    regulations = regulation_rag.search(
        f"{doc_type} compliance requirements {jurisdiction}",
        top_k=10
    )
    return llm.parse(
        build_compliance_prompt(document_text, regulations, doc_type),
        response_format=ComplianceCheck
    )

Какие метрики производительности?

Сравнение: ручная проверка vs AI-система

Архитектура RAG-системы compliance

База нормативных документов строится на векторной БД (Qdrant) с эмбеддингами 1536-dim. Источники:

• Федеральные законы и подзаконные акты
• Регуляторные требования ЦБ, ФАС, Роспотребнадзора
• Технические регламенты ТР ТС
• Международные стандарты (ISO, IFRS, SOX)
• Разъяснения и письма регуляторов

Обновление: подписка на официальные правовые базы (КонсультантПлюс, Гарант) с автоматической индексацией новых документов. Для каждого акта оценка влияния: какие внутренние процедуры нужно изменить? Алерт ответственным лицам.

Кейс: автоматизация compliance в банке. Банк с 50 тыс. внутренних документов требовал ежеквартальной проверки 10 тыс. договоров. Ручной аудит занимал 3 месяца и выявлял 18% нарушений. После внедрения AI-системы: время проверки — 5 дней, процент пропуска — 3%. Экономия составила 8 млн рублей в год за счёт сокращения штата аутсорс-юристов.

Что входит в работу

1. Аудит текущих нормативных документов — составление перечня применимых регуляций.
2. Построение RAG-базы — очистка, chunking, индексация сотен документов.
3. Разработка промптов и валидация — настройка LLM под конкретные типы compliance-задач.
4. Интеграция с документооборотом — REST API для автоматической загрузки документов и получения результатов.
5. Дашборд для compliance-officer — визуализация статусов, история проверок, оповещения.
6. Обучение команды — документация, вебинары, поддержка 3 месяца.

Опыт нашей команды: 5+ лет в AI/ML, более 20 внедрений NLP-систем, в том числе для юридических департаментов финансового сектора. Мы гарантируем соответствие требованиям 152-ФЗ и GDPR при обработке персональных данных. Получите консультацию по адаптации системы под ваши юрисдикции — мы оценим объём документов и предложим оптимальное решение. Закажите разработку – свяжитесь с нами для обсуждения деталей.

Сроки реализации

Как заказать разработку

Оставьте заявку на нашем сайте — мы оценим ваш объём документов, количество юрисдикций и приоритетные области compliance. Свяжитесь с нами, чтобы обсудить детали и получить коммерческое предложение в течение 2 дней.

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.