Интеграция AI-воркфорса с ЭДО, Диадок и СБИС

Системы электронного документооборота (ЭДО) хранят терабайты документов, но не понимают их содержание. Они только передают и подписывают. Мы меняем это: AI-воркфорс подключается к вашему Диадоку или СБИС и обрабатывает документы как опытный сотрудник — читает, анализирует, заполняет, принимает решения. Бухгалтерия получает сотни счетов, актов, УПД ежедневно. Каждый документ нужно вручную открыть, сверить с заказом, провести в 1С, подписать. Ошибки неизбежны: пропущенный реквизит, расхождение в сумме, потеря срока. AI-воркфорс решает эти проблемы, автоматически обрабатывая документы от получения до проводки. Снижение FTE-затрат на 70% за счёт автоматизации — типичный результат после внедрения. Окупаемость проекта составляет 4–6 месяцев. Закажите пилот за 2 недели и оцените эффект.

Мы строим агентный слой поверх вашей инфраструктуры. AI-агенты становятся участником документооборота, но полностью автоматическим. Агентный слой включает пять типов агентов: приём документов, классификация, извлечение данных, валидация и действия (подписание, маршрутизация). Каждый агент решает свою задачу, используя fine-tuned модели и RAG-пайплайны. Такая модульная архитектура позволяет гибко настраивать обработку под любые бизнес-процессы.

После подключения к API ЭДО система начинает мониторить входящие документы. Новый документ поступает в receiver agent, который загружает его содержимое. Затем classifier определяет тип документа и направляет его в соответствующий extractor. Извлечённые данные проходят валидацию, и action agent принимает решение: подписать, отклонить или направить на ручную проверку. Весь цикл занимает секунды.

Как AI-воркфорс подключается к ЭДО?

[ЭДО-система (Диадок / СБИС / 1С-ЭДО)]
    ↕ REST API / SOAP / Webhook
[AI Integration Layer]
    ├── Document Receiver Agent
    ├── Classification Agent
    ├── Extraction Agent
    ├── Validation Agent
    └── Action Agent (подписание, отклонение, маршрутизация)
    ↕
[Внутренние системы: 1С, ERP, CRM, БД]

Диадок: API-интеграция

Диадок предоставляет REST API с OAuth 2.0. Ключевые эндпоинты:

• GET /v1/GetNewEvents — получение новых документов (polling или webhook)
• GET /v1/GetDocument — загрузка тела документа (XML для формализованных, PDF/DOCX для неформализованных)
• POST /v1/PostMessage — отправка подписанного документа
• POST /v1/Delete — отклонение с комментарием

Для подписания используем API КриптоПро DSP или локальный крипто-провайдер. Агент вызывает подписание через отдельный защищённый сервис, не хранит ключи.

СБИС: интеграция через WebAPI

СБИС использует JSONRPC API (СБИС WebAPI). Аутентификация через SID-сессию. Основные методы:

• СБИС.ЗаписатьДокумент — создание и отправка
• СБИС.СписокДокументов — получение списка с фильтрацией
• СБИС.ПрочитатьДокумент — получение содержимого

Специфика СБИС: документы часто приходят в формате СБиС-XML, требующем собственного парсера. Мы ставим промежуточный конвертер в унифицированный JSON.

Почему AI быстрее ручной обработки?

Сравним с делопроизводителем на полной ставке:

Какие документы AI обрабатывает автоматически?

Формализованные счета-фактуры, УПД, акты — accuracy 97–99%. Неформализованные PDF и Word — accuracy 90–95% после кастомного fine-tuning. Все исключения попадают человеку. Для неформализованных документов мы применяем fine-tuned BERT или prompt-based GPT-4o, достигая качества, достаточного для промышленной эксплуатации.

Как агенты обрабатывают документы?

Классификация и маршрутизация

Первый агент — classifier. Он определяет тип документа и маршрут:

Классификатор обучен на корпусе ваших документов (fine-tuned BERT или prompt-based GPT-4o). Accuracy 97–99% для формализованных, 90–95% для неформализованных.

Трёхстороннее согласование (3-way matching)

Ключевая задача AI-воркфорса в финансах — автоматическое согласование заказа, накладной и счёта. Агент сверяет номенклатуру, количество, цену, итоговые суммы. При расхождении > порога — флаг для ручной проверки, при согласовании — автоматическое подписание и запуск оплаты. Используется 3-way matching с порогами:

• Сумма: ±0.5% (погрешность округления)
• Количество: 0% (точное совпадение)
• Номенклатура: fuzzy matching с порогом 85%

Интеграция с 1С

Двусторонняя синхронизация через 1С REST API (oData) или COM-объекты:

• Из 1С в ЭДО: автоматическое формирование и отправка исходящих документов
• Из ЭДО в 1С: создание документов по принятым (УПД → Поступление товаров, Акт → Поступление услуг)

Для 1С:ERP используем подсистему "Обмен электронными документами" с расширением для AI-валидации перед проводкой.

Обработка исключений и человеческий контроль

Не всё проходит автоматически. Система маршрутизирует исключения:

• Новый контрагент → проверка ФНС/ЕГРЮЛ → ручное одобрение
• Сумма выше порога → обязательная ручная авторизация
• Расхождение данных → уведомление + блокировка
• Истечение срока → автоматическое продление или эскалация

Мониторинг и SLA

Ключевые метрики в production:

• Straight-through processing rate — доля документов без ручного вмешательства: цель 70–85%
• Processing latency — до 5 минут для типовых документов
• Extraction accuracy — >98% для формализованных
• False positive rate — <5%

Безопасность и соответствие

• КЭП хранится в HSM или защищённом криптосервисе
• AI-агент не имеет прямого доступа к ключам
• Полный audit trail для ФНС
• Соответствие 63-ФЗ «Об электронной подписи»

Сроки внедрения

Краткая схема внедрения

1. Аудит текущих потоков документов и подготовка API-доступа к ЭДО.
2. Развёртывание агентного слоя: receiver, classifier, extractor.
3. Настройка 3-way matching и интеграции с 1С.
4. Пилотный запуск на 2–3 недели реальных данных.
5. Оптимизация порогов и маршрутов исключений.
6. Промышленный запуск с полным мониторингом.

Типичные проблемы при интеграции: API-лимиты Диадока (не более 100 запросов в минуту на сессию), различие форматов СБиС-XML и XML УПД (требуется промежуточный конвертер), некорректные настройки номенклатуры в 1С (приводят к ложным расхождениям), отсутствие webhook-уведомлений у некоторых операторов (приходится настраивать polling). Все эти нюансы мы отрабатываем на этапе аудита.

Что входит в работу

• Документация интеграции (схемы потоков, конфигурации агентов, описание API-вызовов)
• Настроенные AI-агенты: receiver, classifier, extractor, validator, action agent
• UI для обработки исключений и ручного контроля
• Обучение операторов (2–3 дня)
• Поддержка в течение 2 недель после промышленного запуска
• Передача исходных кодов (при необходимости) для самостоятельного сопровождения

По итогам пилота вы получаете рабочий прототип, готовый к промышленному масштабированию. Получите консультацию — расскажем подробнее.

Мы внедрили AI-воркфорс на 20+ крупных предприятиях. Накопленный опыт позволяет предсказать узкие места и настроить систему за 12 недель под ключ. Свяжитесь с нами для оценки вашего конвейера документов.

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.