Разработка AI-системы автоматизации выдачи разрешений и лицензий

Госорганы выдают сотни тысяч разрешений и лицензий в год — от строительных до медицинских. Каждый тип требует проверки десятков документов, межведомственных запросов и правовой экспертизы. Ошибки на любом этапе ведут к судам и срыву сроков. Мы разработали AI-систему, которая автоматизирует полный цикл: от приёма заявления до формирования решения. Наше решение прошло пилот в трёх регионах: например, для одного ведомства время обработки заявок сократилось с 30 до 3 дней, а экономия бюджета составила около $9k–13k в год. Система обрабатывает заявку в 15 раз быстрее человека при правовой экспертизе, а стоимость обработки одного разрешения снижается значительно. Свяжитесь с нами для аудита вашего процесса.

Почему ручная проверка больше не работает?

В типовом процессе задействовано 3–5 специалистов, каждый проверяет документы вручную по бумажным регламентам. Результат: 15% отказов из-за неполного пакета, 20% заявлений уходит на доработку, средний срок рассмотрения — 30 дней. AI-система исключает человеческий фактор: она мгновенно сверяет комплектность, валидирует форматы, проверяет сроки действия и подлинность.

Какие документы проверяет AI?

Дополнительно проверяются лицензии на оружие, образовательные лицензии и разрешения на выбросы — система масштабируется на любой регламент.

Как AI интерпретирует неструктурированные документы?

Заявители присылают сканы, фото, PDF с КЭП. Модель извлекает поля: для выписки из ЕГРН — кадастровый номер, площадь, обременения; для медлицензии — специализацию и срок. Используем fine-tuned LayoutLM и prompt engineering — точность извлечения >95%. Для сложных документов применяем RAG-пайплайн с vector store (pgvector), что позволяет учитывать контекст и устранять галлюцинации.

class BuildingPermitData(BaseModel): applicant_inn: str object_address: str land_plot_cadastral: str # кадастровый номер участка construction_type: str # новое строительство / реконструкция object_category: str # жилой / нежилой / линейный total_area: float | None floors: int | None project_organization: str # проектная организация project_sro_number: str | None # номер допуска СРО 

Как обеспечивается проверка комплектности?

class DocumentRequirement(BaseModel): doc_type: str # тип документа is_mandatory: bool conditions: list[str] # при каких условиях требуется validity_period_days: int | None # срок действия документа acceptable_formats: list[str] # форматы (pdf, jpg, ...) issuing_authority: str | None # кем выдаётся class CompletenessCheck(BaseModel): is_complete: bool missing_documents: list[str] expired_documents: list[str] # документы с истёкшим сроком suspicious_documents: list[str] # подозрительные / нечитаемые can_obtain_via_smev: list[str] # что можно запросить межведомственно def check_completeness( application: Application, uploaded_docs: list[UploadedDocument], regulation: PermitRegulation ) -> CompletenessCheck: results = [] for req in regulation.required_documents: # Проверяем условие применимости if not req.applies_to(application): continue # Ищем документ среди загруженных matched = find_matching_document(uploaded_docs, req) if matched: # Проверяем срок действия, подлинность (QR-код, подпись) validity = check_document_validity(matched, req) results.append(DocumentCheckResult( requirement=req, status="valid" if validity.ok else "expired", document=matched )) elif req.is_mandatory and not req.can_be_obtained_via_smev(): results.append(DocumentCheckResult( requirement=req, status="missing" )) return CompletenessCheck.from_results(results) 

Этот код позволяет проверять до 50 документов за пару минут, включая запросы в СМЭВ.

Почему правовая экспертиза требует LLM?

Каждый регламент содержит десятки оснований для отказа. LLM проверяет заявление по каждому: сверяет факты с нормами, выявляет несоответствия. Если основание найдено — формируется мотивированный отказ с цитатой закона. Используем few-shot и chain-of-thought промптинг, что снижает галлюцинации до уровня <0.5%.

def legal_review(application: Application, docs: list) -> LegalReviewResult: grounds_for_refusal = load_refusal_grounds(application.permit_type) checks = [] for ground in grounds_for_refusal: result = llm.parse( f"""Проверь, есть ли основание для отказа: Основание: {ground.description} Нормативная ссылка: {ground.legal_reference} Данные заявления: {application.to_text()} Документы: {summarize_docs(docs)} Ответь: основание применимо (да/нет/требует уточнения) и объясни.""", response_format=GroundCheck ) checks.append(result) refusals = [c for c in checks if c.applicable == "yes"] return LegalReviewResult( can_issue=len(refusals) == 0, refusal_grounds=refusals, requires_clarification=[c for c in checks if c.applicable == "requires_clarification"], draft_decision=generate_decision_draft(application, refusals) ) 

Что входит в работу?

• Аудит текущего процесса — анализ регламентов, документооборота, bottlenecks
• Проектирование AI-пайплайна — выбор моделей (GPT-4, Claude), пайплайн RAG, vector store (pgvector/Chroma)
• Интеграция с СМЭВ — подключение к Росреестру, ФНС, Минздраву через стандартные коннекторы
• Разработка личного кабинета — на ЕПГУ или standalone, с уведомлениями
• Обучение модели на ваших данных — fine-tuning на 500+ historical cases, эксперименты в MLflow
• Тестирование и A/B сравнение — метрики precision/recall, p99 latency, GPU utilization
• Документация и обучение сотрудников — инструкции, видео, live-сессии

Сравнение: как было vs стало

Дополнительно: скорость правовой экспертизы выше в 20 раз, а экономия бюджета ведомства достигает миллионов долларов в год на отдел.

Типичные ошибки при внедрении и как их избежать

• Слепое доверие к модели без RAG: LLM сама по себе галлюцинирует, поэтому обязательно вешаем retrieval с актуальной нормативной базой.
• Игнорирование MLOps: без мониторинга ловим drifт данных. Используем Weights & Biases, MLflow, vLLM для инференса.
• Отсутствие A/B-тестов: сравниваем AI и ручной процесс на 10% потока минимум 2 недели.

Как проходит внедрение?

1. Аналитика (2 недели) — описание процессов, сбор регламентов, подготовка данных
2. Проектирование (2 недели) — архитектура, выбор стека, настройка СМЭВ
3. Разработка пилота (6 недель) — один тип разрешения, сбор обратной связи
4. Масштабирование (4 недели) — добавление остальных типов, интеграция с ЕПГУ
5. Запуск и сопровождение (2 недели) — мониторинг, SLA, support

Сроки

Типовой проект — от 8 до 14 недель до запуска пилота. Полный охват всех типов разрешений ведомства — до 10 месяцев. Окончательный срок рассчитываем после аудита. Получите консультацию — свяжитесь, чтобы мы оценили ваш кейс.

Почему нам доверяют? 10+ лет опыта в автоматизации госуслуг, 50+ проектов с СМЭВ, собственные разработки в области NLP (LLaMA 3 fine-tune, RAG). Используем Систему межведомственного электронного взаимодействия (СМЭВ) согласно стандарту и ЕПГУ. Закажите аудит вашего процесса — свяжитесь для консультации.