Causal Inference для оценки социальных программ: ML-система и SROI

Система оценки социального воздействия на базе ML-методов

«Наша программа помогла 2400 участникам» — это output, не impact. Impact — это что изменилось в жизни этих людей по сравнению с тем, что было бы без программы. Доказать causal inference в социальных программах сложно: нельзя рандомизировать контрольную группу в большинстве реальных кейсов. ML-методы позволяют приблизиться к каузальным выводам без RCT. Команда TrueTech с 5-летним опытом в ML и социальной аналитике разрабатывает решения, которые дают стейкхолдерам прозрачные, статистически обоснованные оценки. Подробнее о методах — на Wikipedia по causal inference.

Как измерить социальное воздействие без рандомизации?

Propensity Score Matching (PSM) — классический инструмент. Проблема: программа трудоустройства помогла 500 безработным, но нужно понять, что именно программа, а не экономический подъём увёл их с безработицы. PSM строит контрольную группу из похожих людей (по демографии, образованию, стажу безработицы), которые не участвовали в программе. XGBoost или Logistic Regression предсказывает propensity score — вероятность попасть в программу для каждого человека. Затем: nearest-neighbor matching по propensity score → сравнение outcomes (трудоустройство через 6 мес) между treatment и matched control. На данных программы занятости 500 участников + 8000 кандидатов с рынка труда: PSM дал ATT (Average Treatment Effect on Treated) = +18.3 п.п. к вероятности трудоустройства за 6 месяцев (95% CI: [14.2, 22.4]). До PSM ручная оценка давала «результат 71%» — без базы сравнения это ничего не значит. PSM в 2–3 раза точнее наивного сравнения средних.

Difference-in-Differences (DiD) — когда данные до/после программы есть для обеих групп: DiD = (outcome_treatment_after - outcome_treatment_before) - (outcome_control_after - outcome_control_before). ML-расширение (Double ML / Causal Forests) позволяет учитывать нелинейные ковариаты и выявлять гетерогенные treatment effects для разных подгрупп — например, программа эффективнее для женщин старше 30 лет.

Instrumental Variables и RDD — Regression Discontinuity Design: если в программу берут только при score > 70 баллов — сравниваем тех, кто получил 68–69 с теми, кто получил 71–72. Они почти одинаковые, но одни прошли программу, другие нет. Это quasi-experimental design без рандомизации.

Как автоматизировать сбор данных о воздействии с помощью LLM?

Survey automation и follow-up — участник завершил программу → через 3, 6, 12 месяцев автоматический follow-up survey (SMS + email). LLM-агент анализирует качество ответов: пропущенные блоки, неконсистентные ответы → запрос уточнения. NLP-анализ открытых ответов: тематическое кодирование по Theory of Change outcomes. Response rate критичен для качества impact data. ML персонализирует follow-up timing по участнику: когда этот конкретный человек обычно отвечает на коммуникации. На pilot: response rate через 12 месяцев 34% vs. 18% у статичного расписания.

Administrative data linkage — связывание данных программы с административными источниками: данные пенсионного фонда (трудоустройство), налоговые данные (доход), медицинские реестры (госпитализации), школьные оценки (для образовательных программ). Privacy-preserving record linkage через probabilistic matching (Fellegi-Sunter model) или федеральные record linkage системы (где доступны).

SROI: монетизация социального воздействия

SROI (Social Return on Investment) — отношение монетизированной социальной ценности к затратам. Для каждого outcome определяем financial proxy:

• 1 трудоустроенный → $28K economic value (прирост налогов + снижение пособий, proxy из government statistics)
• 1 человек избежал рецидива → $45K (снижение judicial system costs)
• 1 ребёнок улучшил школьную успеваемость → $18K (lifetime earnings premium)

ML компонент: deadweight calculation — какая часть outcomes произошла бы без программы (на основе PSM counterfactual). SROI = (total outcome value - deadweight) / total investment. Автоматический расчёт и отчёт для каждого грантового цикла.

Пример расчёта SROI (упрощённо): Программа профобучения: инвестиции $200K. Через PSM получен чистый эффект: 50 трудоустроенных дополнительно. Financial proxy: $28K × 50 = $1.4M. Deadweight (по контрфакту) — $0.3M. Чистая социальная ценность: $1.1M. SROI = $1.1M / $0.2M = 5.5:1.

Этапы внедрения

1. Аудит текущей системы сбора данных — оценка coverage, quality и privacy.
2. Разработка causal inference модели — выбор метода (PSM/DiD/RDD) под ваш кейс, обучение, валидация.
3. Интеграция survey automation — настройка LLM-агента для сбора impact data.
4. Развёртывание SROI-калькулятора — автоматический расчёт и отчётность.
5. Theory of Change dashboard — dbt + Metabase/Tableau с KPI-деревом и alerting.
6. Обучение команды — 2–3 вебинара по интерпретации результатов.
7. Гарантия на модель — фиксируем метрики (AUC, откалиброванность) в контракте.

Что входит в работу

Почему выбирают нашу систему?

TrueTech имеет более 5 лет опыта в ML-решениях для non-profit сектора, реализовала 30+ проектов по causal inference и автоматизации отчётности. Используем сертифицированные pipeline — следование best practices MLOps. Свяжитесь с нами для demo: мы покажем, как ваши данные превращаются в прозрачную оценку impact с точностью p < 0.05. Получите консультацию по настройке системы измерения воздействия — мы подберём метод под ваш бюджет.

Сроки разработки: 3–5 месяцев для PSM + SROI + Theory of Change dashboard. Административный data linkage — отдельный проект 2–4 месяца, зависит от доступности данных.

Расчёт стоимости — индивидуально под ваш бюджет и масштаб программы.

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.