AI-системы для LegalTech: анализ контрактов, поиск прецедентов

Типичная ситуация: юрдепт получает 50 входящих договоров в день. Каждый договор содержит десятки страниц, а поиск релевантных судебных решений по ключевым словам даёт тысячи нерелевантных результатов. AI решает обе задачи за минуты, но требует правильной настройки моделей — дообучения на ваших данных и грамотной архитектуры RAG. Разберём, как построить Contract Intelligence и семантический поиск на практике.

Мы интегрируем AI-системы, которые автоматизируют рутинную работу юристов: анализ контрактов, семантический поиск по прецедентам, генерацию документов и compliance-мониторинг. Сокращаем время на обработку входящей документации в 5–15 раз. Наш опыт — 5+ лет, более 50 проектов в России и СНГ.

Как работает Contract Intelligence?

Contract Intelligence — это набор NLP-моделей, решающих пять задач: извлечение сущностей, детекция рисков, сравнение с шаблоном, классификация договора и risk scoring. Рассмотрим процесс по шагам.

1. Загрузка и предобработка: контракт разбивается на фрагменты по 512 токенов с перекрытием 50 токенов.
2. NER: модель LegalBERT извлекает стороны, даты, суммы, штрафы, юрисдикцию (точность F1 > 94%).
3. Классификация рисков: бинарный классификатор определяет рисковые параграфы, объясняя решение через SHAP.
4. Сравнение с корпоративным шаблоном: выявляются отклонения от стандарта компании.
5. Формирование отчёта: структурированное резюме с risk scoring.

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

class ContractEntityExtractor:
    """NER для извлечения юридических сущностей из договоров"""

    LABELS = ['O', 'B-PARTY', 'I-PARTY', 'B-DATE', 'I-DATE',
              'B-AMOUNT', 'I-AMOUNT', 'B-OBLIGATION', 'I-OBLIGATION',
              'B-CONDITION', 'I-CONDITION', 'B-TERMINATION', 'I-TERMINATION']

    def __init__(self, model_path='legal-bert-base-uncased'):
        self.tokenizer = AutoTokenizer.from_pretrained(model_path)
        self.model = AutoModelForTokenClassification.from_pretrained(
            model_path, num_labels=len(self.LABELS)
        )

    def extract_entities(self, contract_text, chunk_size=512):
        """Обработка длинных контрактов по чанкам"""
        tokens = self.tokenizer.encode(contract_text, add_special_tokens=False)
        chunks = [tokens[i:i+chunk_size] for i in range(0, len(tokens), chunk_size-50)]

        all_entities = []
        for chunk in chunks:
            inputs = self.tokenizer.decode(chunk, skip_special_tokens=True)
            encoding = self.tokenizer(inputs, return_tensors='pt', truncation=True, max_length=512)

            with torch.no_grad():
                outputs = self.model(**encoding)

            predictions = torch.argmax(outputs.logits, dim=-1)[0].tolist()
            entities = self._decode_bio(
                self.tokenizer.convert_ids_to_tokens(encoding['input_ids'][0]),
                predictions
            )
            all_entities.extend(entities)

        return all_entities

LegalBERT против general‑purpose BERT: на юридических корпусах (EDGAR, EUR‑Lex) дообученные модели показывают F1 на 8–15% выше. Мы используем модели, адаптированные под русскоязычную правовую практику (КонсультантПлюс, ГАС «Правосудие»).

При внедрении Contract Intelligence часто допускают три ошибки: игнорирование контекста моделью без fine‑tune, слишком малый размер чанка (контракты длиннее 512 токенов) и отсутствие объяснимости для юриста. Мы решаем это дообучением на ваших данных, использованием overlap=50 и интеграцией SHAP.

Почему RAG эффективнее традиционного поиска прецедентов?

Традиционный поиск по ключевым словам выдаёт тонны нерелевантных дел. AI‑поиск использует семантическое сходство: RAG-архитектура с векторной базой Chroma и эмбеддингами BAAI/bge-m3. Индексация судебных решений по чанкам 1000 токенов с overlap 200. Подробнее о концепции RAG можно прочитать в Wikipedia.

from langchain.vectorstores import Chroma
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# Индексация базы судебных решений
embeddings = HuggingFaceEmbeddings(model_name='BAAI/bge-m3')

text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200,
    separators=['\n\n', '\n', '. ', ' ']
)

def index_court_decisions(decisions):
    """decisions: [{'text': str, 'case_id': str, 'date': str, 'court': str}]"""
    docs = []
    for decision in decisions:
        chunks = text_splitter.split_text(decision['text'])
        for chunk in chunks:
            docs.append({
                'page_content': chunk,
                'metadata': {
                    'case_id': decision['case_id'],
                    'date': decision['date'],
                    'court': decision['court']
                }
            })

    vectorstore = Chroma.from_texts(
        texts=[d['page_content'] for d in docs],
        embedding=embeddings,
        metadatas=[d['metadata'] for d in docs],
        persist_directory='./legal_vectordb'
    )
    return vectorstore

def search_similar_cases(query, vectorstore, k=10):
    """Семантический поиск похожих дел"""
    results = vectorstore.similarity_search_with_score(query, k=k)
    return [(doc, score) for doc, score in results if score < 0.5]

Базы данных, с которыми мы работаем: КонсультантПлюс API, ГАС «Правосудие», СПС Гарант, EUR‑Lex (ЕС), Westlaw/LexisNexis. В одном из проектов для юридического департамента нефтяной компании мы сократили время поиска с 4 часов до 15 минут.

Как устроена Document Assembly и как она ускоряет создание документов?

Document Assembly — система генерации документов из шаблонов с заполнением из структурированных данных (Jinja2 + docxtpl). Примеры:

• Исковое заявление: по данным клиента и инциденту → черновик за 2 минуты.
• NDA: выбор опциональных клаузул по типу сделки → сборка документа.
• Корпоративные документы: устав, решения участников — шаблоны с вариативными секциями.

Due Diligence автоматизация при M&A — анализ сотен документов за дни, а не недели:

• Классификация по категориям (контракт, лицензия, разрешение, патент).
• Извлечение ключевых дат (истечение лицензий, change‑of‑control triggers).
• Red flag detection: судебные иски, залоги, санкционные риски.
• Генерация DD‑чеклиста со статусом по каждому пункту.

Compliance и регуляторный мониторинг

Мониторинг изменений законодательства: NLP парсинг официальных источников (publication.pravo.gov.ru, КонсультантПлюс RSS). Классифицируем релевантные для компании нормативные акты, оцениваем impact на внутренние документы, генерируем auto‑summary с датами вступления в силу.

Contract Compliance: проверка контрактных обязательств на соответствие 152‑ФЗ, ФЗ‑44/223‑ФЗ, GDPR. Модели выделяют обязательные клаузулы и сигнализируют о несоответствиях.

Что входит в работу

Оцениваем проект за 2 дня — пришлите примеры контрактов и описание процессов. Получите консультацию по внедрению AI в LegalTech. Закажите консультацию — мы зафиксируем сроки и стоимость под ваш объём данных.

Отраслевые AI-решения: медицина, финансы, ритейл, производство

Мы сталкиваемся с одной и той же болью: горизонтальная модель текста не различает медицинскую номенклатуру, а стандартный детектор объектов путает «царапину на шве сварки» с «царапиной на корпусе». Каждый раз это разные дефекты с разными последствиями. Чтобы этого избежать, мы строим отраслевые решения поверх общих методов, но с глубоким знанием домена — от регуляторики до специфики данных. За 5 лет мы провели 80+ проектов в финтехе, медицине, ритейле и производстве, и ни один не обошёлся без адаптации под конкретный business case.

Медицина: регуляторный лабиринт и data governance

Медицинский AI отличается не техническими алгоритмами, а compliance-first подходом. В зависимости от страны применения модель может быть медицинским изделием класса II или III, требующим клинических испытаний (FDA, CE MDR, ГОСТ Р). Мы гарантируем соблюдение этих норм на этапе архитектуры — править постфактум в 10× дороже.

Медицинская визуализация. Детекция на рентгенограммах, КТ, МРТ — зрелая область. Модели на ResNet, EfficientNet, SegFormer достигают AUC 0.94–0.97 на стандартных задачах (пневмония на CXR, полипы на колоноскопии). Ключевая проблема — generalization: модель, обученная на данных одного производителя сканера, деградирует на другом из-за различий в preprocessing и артефактах. Решение — domain adaptation через MONAI (Medical Open Network for AI) от NVIDIA, в котором встроены DICOM-loading, 3D augmentation и confidence calibration. TotalSegmentator — для автоматической сегментации 117 структур на КТ, production-ready, лицензия Apache 2.0.

Clinical NLP. Извлечение структурированной информации из клинических записей: диагнозы (ICD-10/11), назначения, даты, показатели. medspaCy, scispaCy, MedCAT — специализированные NLP-библиотеки с онтологиями (SNOMED-CT, UMLS). Fine-tuning BioBERT или ClinicalBERT на наших данных даёт F1 0.85–0.92 на NER задачах против F1 0.65–0.72 у общего BERT. Это мы проверяли на проекте с региональным онкологическим центром — точность извлечения стадий рака выросла на 23%.

Clinical decision support. LLM-ассистенты для поддержки клинических решений — регуляторно серая зона. Мы используем RAG-систему поверх клинических гайдлайнов (UpToDate, локальные протоколы) с явным указанием источника каждого утверждения. Модель не диагностирует, а помогает найти релевантный протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Данные в DICOM/HL7 FHIR, on-premise деплой обязателен.

Что входит в работу по медицинскому проекту:

• Аудит данных и регуляторной карты (FDA/CE/ГОСТ)
• Выбор архитектуры под тип медицинского изделия
• Разработка и валидация модели (AUC, sensitivity, specificity)
• Интеграция с PACS/EHR (HL7 FHIR)
• Подготовка документации для CE-маркирования (если требуется)
• Обучение персонала работе с моделью

Финансы: как обеспечить интерпретируемость скоринговой модели под требования Basel IV?

Финансовый сектор — один из самых зрелых по применению ML, но зарегулированность здесь максимальна. Каждая модель, влияющая на кредитные решения, подпадает под Basel IV, EU AI Act, GDPR Article 22. Мы это проходили — в 2023 году внедрили скоринговую модель для банка из топ-10, где каждая запись требовала объяснения по SHAP.

Кредитный скоринг. Gradient boosting (LightGBM, XGBoost) — доминирует. Нейронные сети дают +0.5–2% AUC, но теряют интерпретируемость. Стандарт: LightGBM + SHAP для объяснения каждого решения. Обязательна проверка на fairness: Fairlearn или aif360 для аудита disparate impact по protected attributes (возраст, пол). Класс «дефолт» составляет 1–5% — при имбалансе 1:30 модель с accuracy 97% может иметь recall 0.2. Решение: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмический трейдинг и риск-менеджмент. LSTM и Transformer для прогноза цен — популярны, но в production нестабильны из-за нестационарности финансовых рядов. Более надёжный подход: ML для signal generation (классификация: рост/падение за горизонт N) с традиционным portfolio optimization сверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичен правильный backtesting — look-ahead bias убивает результаты. Мы гарантируем чистоту эксперимента: все данные на момент сигнала доступны в реальном времени.

AML (Anti-Money Laundering). Graph Neural Networks для анализа транзакционных сетей — активно развивающаяся область. PyG, DGL для GNN. Задача: обнаружить suspicious patterns в графе транзакций (layering, structuring). Recall критичнее precision — лучше 10 ложных тревог, чем пропустить отмывание. В проекте для крупного платёжного сервиса мы повысили recall на 18% без увеличения false positive rate.

Что входит в работу по финансовому проекту:

• Аудит данных и регуляторных требований (Basel, EU AI Act)
• Выбор модели и обеспечение explainability (SHAP, LIME)
• Проверка fairness и отсутствие bias
• Интеграция с core banking / trading systems
• Документация и compliance-отчётность
• Мониторинг дрейфа модели и ретейн

Ритейл и e-commerce: рекомендательные системы и demand forecasting

Рекомендательные системы. Архитектурный стандарт последних лет: two-tower модель для retrieval + ranking с cross-features. TensorFlow Recommenders или Merlin от NVIDIA для GPU-accelerated feature processing. Для небольших каталогов (<100k item) достаточно LightFM. Частая ошибка — обучать на implicit feedback без учёта position bias. Решение: IPW (Inverse Propensity Weighting) или randomized logging на части трафика. Срок разработки базовой рекомендательной системы — 4–8 недель, включая A/B-тест.

Demand forecasting и inventory optimization. Иерархическое прогнозирование: SKU → категория → магазин → регион. HierarchicalForecast от Nixtla автоматически согласует прогнозы по уровням. TFT или N-HiTS для базового прогноза, gradient boosting для adjustment на экзогенных факторах (промо, погода, события). Один проект в ритейле привёл к снижению сток-аутов на 15% за счёт точного промо-калибровки.

Visual search и размерная совместимость. CLIP-embeddings для поиска по изображению — деплоится за 2–3 недели: clip-ViT-B-32 или clip-ViT-L-14, индекс Faiss или Qdrant, REST API. Для size recommendation — специфические модели на данных возвратов и отзывов с указанием fit.

Что входит в работу по ритейл-проекту:

• Анализ данных транзакций, товаров, клиентов
• Выбор архитектуры (collaborative / content-based / hybrid)
• Разработка и оценка качества (NDCG, recall@k, MRR)
• A/B-тест и мониторинг business impact
• Поддержка версионирования и переобучения моделей

Производство: инспекция качества и predictive maintenance

Quality control и дефектоскопия. CV-модели для инспекции продукции — одна из наиболее зрелых отраслевых задач. YOLOv10 для детекции дефектов, SegFormer для сегментации. Специфика: дисбаланс классов (дефекты редки), высокие требования к recall (пропуск дефекта хуже ложной тревоги). Типичный набор данных: 500–2000 изображений с дефектами + 500–1000 нормальных. Few-shot learning через DINO или SAM 2 позволяет работать с 50–100 аннотированными примерами. Мы получили опыт на линии по производству электроники — recall 0.95 при FPR 0.03.

Predictive maintenance. Вибрационные датчики, токовые датчики, термопары → feature extraction → аномалия или классификация режима. Модели: LSTM-AE для unsupervised, LightGBM для supervised (если есть история отказов). Интеграция с SCADA/OPC-UA через opcua-asyncio или MQTT. Ключевая метрика: False Negative Rate — пропущенный предотказ стоит дороже ложной тревоги. Порог настраивается под бизнес-стоимость каждого типа ошибки. Сроки: от 3 до 6 месяцев до production.

Digital twin и симуляция. Surrogate models — ML-модели, заменяющие дорогостоящее физическое моделирование. Если CFD-симуляция занимает 6 часов, а surrogate (обученная на 10 000 симуляций) — 0.01 секунды, это 2 000 000× ускорение для оптимизации. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Что входит в работу по производственному проекту:

• Аудит данных сенсоров / изображений
• Выбор модели под задачу (CV / time series / vibro)
• Разработка пайплайна (ETL, feature engineering, training)
• Развёртывание на Edge / on-premise
• Мониторинг и ретейн модели

Общие принципы отраслевого AI

Независимо от отрасли, есть паттерны, работающие везде. Данные важнее архитектуры. В медицине 1000 качественно размеченных снимков лучше 100 000 плохих. В производстве 200 реальных примеров дефектов ценнее 10 000 синтетических. Compliance-first design — регуляторные требования проще встроить в архитектуру с начала, чем добавить позже. Логирование, объяснимость, версионирование — с первого дня. Domain expert в команде — ML-инженер без domain knowledge делает медленно и с ошибками то, что ML-инженер плюс врач/финансист/технолог сделают быстро и правильно.

Мы гарантируем сертификацию под требования заказчика (ISO 13485, SOC 2, GDPR) и предоставляем полную документацию модели (model card, datasheet, compliance report). Наш опыт — 10 000+ часов инженерной практики и 80+ проектов.

Как проходит работа над отраслевым AI-решением?

1. Погружение в домен (2–3 дня) — интервью с экспертами, изучение регуляторных требований, аудит доступных данных.
2. Проектирование MVP (1–2 недели) — выбор стека, архитектуры, оценка feasibility.
3. Разработка и валидация (от 4 недель до 6 месяцев в зависимости от отрасли) — обучение модели, тестирование, compliance.
4. Интеграция и деплой (1–4 недели) — on-premise / cloud / edge, документация, обучение персонала.
5. Поддержка и мониторинг — дрейф модели, ретейн, SLA.

Ориентировочные сроки:

Стоимость рассчитывается индивидуально под каждый проект. Получите консультацию — оценим ваш датасет, регуляторную карту и бизнес-цели.

Почему стоит заказать отраслевое AI-решение у нас?

• 80+ реализованных проектов в финтехе, медицине, ритейле и производстве.
• 5 лет на рынке — устойчивый опыт работы с compliance и деплоем.
• Гарантия качества: мы отвечаем за достижение целевых метрик (AUC, recall, latency p99) и предоставляем полную документацию.
• Лицензированные технологии: PyTorch, MONAI, LightGBM, Qdrant — используем open-source с коммерчески безопасными лицензиями.
• Гибкость: работаем как подрядчик, так и в роли усиления вашей команды.

Свяжитесь с нами — обсудим вашу задачу и подготовим коммерческое предложение с планом работ.