Переход на ИИ-анализатор документации для крупного девелопера

Заказчик

В рамках проекта мы сотрудничали с одним из лидеров в области девелопмента в России — крупным региональным застройщиком, который входит в топ-10 по объему вводимого жилья. Организация управляет сотнями объектов недвижимости, взаимодействует с тысячами поставщиков, подрядчиков и клиентов ежемесячно. Каждый день внутри ведется обработка десятков тысяч файлов: договоры, акты, счета, технические планы и проектная документация, отчеты для контролирующих органов, а также массив неструктурированных данных — не только текстовые файлы, но и изображения, в том числе с рукописными текстами, и многое другое.

Отправная точка: с какими вызовами столкнулся партнер

До внедрения умной обработки вся работа с документами велась вручную или с использованием упрощенных инструментов. Файлы содержались на общем сервере в отдельных папках без структурированности по форматам, а часть существовала только в бумажном виде. Такая ситуация приводила к следующим проблемам:

Значительные затраты по срокам. Каждый сотрудник тратил в среднем 30–45 минут на полную обработку одного документа. 

Высокая стоимость. Несколько миллионов ежегодно уходило на оплату труда специалистов по документообороту с учетом их рабочего времени.

Ошибки ввиду человеческого фактора. Ручные операции приводил к неточностям в реквизитах, суммах, датах и других деталях, что неоднократно становилось причиной юридических споров и штрафов.

Препятствия в консолидации данных. Информация, рассредоточенная по файлам разных форматов и разрешений, не всегда попадала в аналитику или отчетность, и ключевые документы могли основываться на устаревших сведениях.

Продукт Студии Искусственного Интеллекта FOKINA.AI

Решением поставленных задач стал ИИ-анализатор документации — технология, предназначенная для автоматической обработки любых документов, включая текстовые файлы, изображения, аудио и другие виды. Точность обработки достигает 99,2%, а экономия человеко-часов составляет до 70%.

Инструмент классифицирует документы по типам и категориям (договоры, счета, акты, заявки и т. д.) с авто-тегированием и за 5-50 секунд извлекает информацию, преобразовывая ее в нужный формат: Word, Excel, PDF, JSON и далее в зависимости от настроек. Алгоритмы объединяют и сравнивают данные из нескольких документов, формируя отчеты по настраиваемым параметрам и шаблонам.

Проверка данных также идет по внешним источникам — базам ЕГРЮЛ, ФНС, таможенным реестрам. Интеграция с существующими системами, такими как 1С, Bitrix и другими, осуществляется за счет API (стандартизированных интерфейсов для обмена данными между системами).

Как мы построили сервис

Проект по разработке и установке ИИ-анализатора документации в ИТ-инфраструктуру компании состоял из 5 ключевых этапов:

1. Анализ и аудит текущих процессов. Мы провели полевое исследование: проинтервьюировали сотрудников отделов закупок, бухгалтерии и юристов, чтобы выявить «узкие места» и типовые сценарии обработки.

2. Проектирование архитектуры платформы. Приступили к системе с учетом требований к безопасности, масштабируемости и интеграции с 1С, ERP и внутренними CRM-системами.

3. Построение ядра ИИ-движка. Внедрили мультимодальные модели для распознавания текста в любых форматах, включая низкокачественные сканы и фото с мобильных устройств.

4. Подключение внешних источников данных. Настроили по реестрам ЕГРЮЛ, ФНС, таможенным базам для автоматической валидации контрагентов.

5. Пилотный запуск и масштабирование. Испытали проект в одном из региональных офисов, проанализировали обратную связь. Оптимизировали UX и развернули решение в масштабе всей компании.

Какие инструменты лежат в основе решения

Платформа выстроена на следующих модулях и принципах:

• OCR (оптическое распознавание символов) на базе кастомизированных трансформеров служит для точного распознавания структурированного и неструктурированного контента
• Computer Vision (компьютерное зрение) вместе с NLP (обработка естественного языка) — для классификации типов документов и извлечения ключевых сущностей (блоков информации)
• Интеграционный слой на FastAPI (универсальный коннектор) — для бесшовного совмещения с API клиентских систем
• В микросервисной архитектуре: технология Docker — для упаковки каждого модуля в стандартный контейнер для единообразной работы на любом устройстве, Kubernetes — для создания самоуправляемой инфраструктуры
• Гибридное размещение: как в облаке, так и на собственной ИТ-инфраструктуре заказчика с полной изоляцией данных внутри корпоративной сети
• Дополнительные инструменты мониторинга и аудита для отслеживания точности модели и логирования всех операций.