Разработка AI-системы автоматизации таможенного оформления

Груз задерживают на границе из-за ошибки в коде ТН ВЭД. Это простой, штрафы, потеря клиента. Мы разрабатываем AI-систему автоматизации таможенного оформления. Она классифицирует товары, извлекает данные из инвойсов и валидирует декларации быстрее и точнее человека. Система использует семантический поиск, LLM и RAG. Она обрабатывает миллионы товарных позиций, интегрируется с ЕАИС ТО и снижает затраты на оформление на 40–60%.

Типовая обработка одного товара вручную занимает 15–30 минут. AI-автоматизация сокращает до 30–60 секунд. Точность классификации после настройки под вашу номенклатуру превышает 98%. Система проверяет разрешительные документы, управляет рисками и предупреждает о несоответствиях до подачи декларации.

По данным ФТС, более 70% отказов связаны с неверным кодом ТН ВЭД. Наша AI-система предупреждает такие отказы на этапе формирования.

Какие проблемы решает AI-система?

Классификация товаров по ТН ВЭД — самая ответственная задача. ТН ВЭД содержит 20 тысяч кодов с детальными критериями. AI-классификатор на базе семантического поиска и Chain-of-Thought промптинга находит правильный код за секунды. Точность — 98% после настройки.

Извлечение данных из товаросопроводительных документов: инвойсы, упаковочные листы, сертификаты. Нестандартные PDF, сканы. Используем кастомные LLM-экстракторы, которые обучаются на ваших данных. Точность — 95–98%.

Валидация деклараций и управление рисками: система проверяет обязательные разрешения (лицензии, сертификаты) и оценивает профиль риска груза и контрагента по базе ФТС. Предотвращает 70% отказов.

Как AI-классификатор ТН ВЭД достигает точности 98%?

class TNVEDClassification(BaseModel):
    code: str
    description: str
    confidence: float
    alternative_codes: list[str]
    reasoning: str
    required_documents: list[str]

def classify_tnved(product_description: str, characteristics: dict) -> TNVEDClassification:
    candidates = tnved_db.semantic_search(product_description, top_k=20)
    return llm.parse(
        build_tnved_prompt(product_description, characteristics, candidates),
        response_format=TNVEDClassification
    )

База знаний индексируется полностью: все коды с описаниями (официальный текст ТН ВЭД ЕАЭС), пояснения, решения Коллегии ЕЭК, судебная практика. Векторные эмбеддинги (1536-мерные) и Chain-of-Thought промптинг обеспечивают качественное разграничение смежных кодов. Семантический поиск — это RAG-поиск по ТН ВЭД, который учитывает все нюансы. При неоднозначности система возвращает несколько альтернатив с обоснованием — декларант выбирает, а ошибка фиксируется для дообучения.

Почему AI точнее человека в классификации ТН ВЭД?

Человек устаёт, пропускает детали, ошибается в сложных разграничениях. AI обрабатывает всю базу ТН ВЭД за миллисекунды, учитывает судебную практику и решения ЕЭК. Система не забывает проверять разрешения и риски. Результат — 98% точности против 90-95% у опытного декларанта. Плюс скорость: 30 секунд вместо 15 минут.

Извлечение данных из нестандартных инвойсов

class InvoiceData(BaseModel):
    seller: str
    buyer: str
    invoice_number: str
    invoice_date: date
    currency: str
    items: list[InvoiceItem]
    total_amount: Decimal
    incoterms: str | None
    country_of_origin: str | None

class InvoiceItem(BaseModel):
    description: str
    hs_code: str | None
    quantity: float
    unit: str
    unit_price: Decimal
    total_price: Decimal

Используем Azure Document Intelligence или собственный LLM-экстрактор на базе GPT-4 и LlamaIndex. LLM для таможни дообучается на ваших исторических инвойсах и достигает точности 95% даже для сканов и таблиц сложной структуры.

Процесс работы и сроки

Проект разбивается на этапы:

1. Аналитика — обследование текущих процессов, сбор образцов документов, формирование требований.
2. Разработка классификатора — индексация базы ТН ВЭД, настройка семантического поиска, дообучение LLM.
3. Разработка экстрактора — обучение модели на инвойсах, интеграция с OCR.
4. Валидация и риски — настройка правил проверки разрешений и профилей риска.
5. Интеграция — подключение к ЕАИС ТО, ЛКП, ЭД-2, брокерским системам.
6. Пилот и дообучение — запуск на реальных данных, коррекция, передача в эксплуатацию.

Интеграция с таможенными системами

• ЕАИС ТО — передача деклараций через СМЭВ.
• ЛКП — предварительное информирование по API.
• ЭД-2 — автоформирование XML для электронного декларирования.
• Баланс Т / Альта-СТ — интеграция через API.

Система мониторит профиль риска: история нарушений контрагента, несоответствие заявленной стоимости, флаги СУР ФТС. Предупреждение приходит до подачи декларации.

Что входит в поставку

• Модуль классификации ТН ВЭД (Docker + API)
• Модуль извлечения данных из документов
• Модуль валидации и проверки разрешений
• Интеграционные адаптеры для ЕАИС ТО и брокерских систем
• Модель RAG на базе вашей базы знаний
• Документация и обучение сотрудников
• Поддержка в течение первого года

Система может использоваться как AI-помощник для таможенного брокера. Закажите пилотный проект и убедитесь в эффективности. Свяжитесь с нами — сделаем пилот на ваших данных за 2 недели. Получите консультацию по внедрению под ключ.

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.