Щороку бюджет втрачає до 25% коштів через картельні змови та завищення початкових цін на торгах. Ручний аудит закупівель за 44-ФЗ і 223-ФЗ не справляється з обсягом: тільки в ЄІС публікується понад 4 млн контрактів щорічно. За даними Рахункової палати, до 25% бюджетних коштів втрачається через порушення в закупівлях. Ми розробили ML-систему, яка автоматично аналізує всі етапи закупівлі — від публікації оголошення до виконання контракту — і виявляє ознаки порушень, недоступні при поверхневій перевірці. Наша команда має досвід у AI для держсектора та десятки впроваджень у контролюючих органах. В одному з проектів ми проаналізували 5000 аукціонів за квартал і виявили 120 підтверджених випадків змови. ML-система обробляє дані в 1800 разів швидше за ручний аудит: один аукціон за секунду замість години.
Як працює AI-система для держзакупівель?
Процес складається з трьох етапів: збір та збагачення даних, розрахунок ознак колюзії та афілійованості, генерація звіту з ризиками. Розглянемо кожен глибше. Система безперервно моніторить всі етапи закупівлі, від публікації оголошення до виконання контракту, і автоматично формує звіт про ризики.
Дані та джерела
Система підключається до чотирьох ключових реєстрів:
| Джерело | Дані | Використання |
|---|---|---|
| ЄІС API (zakupki.gov.ru) | Оголошення, контракти, постачальники, ОКПД2 | Основний потік ~4 млн записів/рік |
| ЄДРЮО ФНС | Юрособи, засновники, адреси | Виявлення афілійованості |
| Росстат | Фінансова звітність | Перевірка реальних можливостей постачальника |
| Картотека арбітражних справ | Судові спори | Історія недобросовісності |
data_sources = { 'eis_zakupki_gov_ru': { 'api': 'Відкриті дані ЄІС API (44-ФЗ, 223-ФЗ)', 'entities': ['ContractNotice', 'ContractAward', 'Supplier', 'OKPD2'], 'volume': '~4 млн закупівель на рік' }, 'egrul_fns': { 'source': 'ЄДРЮО ФНС — дані про юросіб', 'use': 'зв\'язки між постачальниками, афілійованість, засновники' }, 'rosstat': { 'source': 'фінансова звітність компаній', 'use': 'реальні можливості постачальника vs. обсяг контракту' }, 'sudrf_ru': { 'source': 'арбітражні справи', 'use': 'історія судових спорів постачальників' } } Чому виявлення картельної змови потребує ML?
Класичні ознаки — покриваючі пропозиції, придушення конкуренції, ротація перемог і розділ ринку. Ручний аналіз сотень аукціонів непрактичний; ML-система обчислює колюзійний скор за мілісекунди. Це дозволяє охопити весь потік закупівель, а не вибіркові перевірки. Наприклад, на реальних даних ми виявили схему, де три компанії за два роки виграли 87% аукціонів в одному регіоні, змінюючи ролі переможця та субпідрядника — вручну це було б неможливо виявити.
def detect_collusion_in_auction(auction_bids, auction_id): # ... (код без змін) Порівняємо підходи:
| Критерій | Ручний аудит | AI-система |
|---|---|---|
| Час на один аукціон | 30–60 хвилин | < 1 секунди |
| Обсяг перевірки | 10–20 закупівель на день | Весь потік ЄІС |
| Виявлення афілійованості | Випадково | Гарантовано через граф зв'язків |
Як графовий аналіз виявляє афілійованість?
Афілійовані постачальники — головна загроза формальної конкуренції. Будуємо граф за ЄДРЮО: спільні засновники, адреси масової реєстрації, номери телефонів. Якщо два учасники мають спільного засновника — вони не конкуренти. Графовий підхід дозволяє виявляти приховані зв'язки, невидимі при ручній перевірці, і автоматично блокувати такі аукціони. В одному випадку система виявила 23 компанії, зареєстровані на одну адресу та очолювані однією фізособою, які брали участь у 340 аукціонах з формальною конкуренцією.
def build_supplier_affiliation_graph(suppliers, egrul_data): # ... (код без змін) Що робити із завищеною НМЦК?
Порівнюємо початкову ціну з медіанною ціною аналогічних контрактів (той самий ОКПД2, регіон, обсяг). Відхилення більше 3 сигм — ознака завищення. У реальному кейсі ми знизили НМЦК на 15% по 200 контрактах. Для точності порівняння використовуємо pgvector для семантичного пошуку схожих закупівель.
def detect_inflated_nmck(procurement, similar_procurements): # ... (код без змін) Як ми це робимо: стек і процес
- Стек: Python, PyTorch, Hugging Face Transformers для NLP-обробки текстів оголошень; LangChain для RAG-агента по регламентах; PostgreSQL з pgvector для пошуку аналогів.
- MLOps: MLflow для відстеження експериментів, ONNX Runtime для інференсу на CPU/GPU.
- Процес: Аналітика → проектування архітектури → навчання моделей → інтеграція з API ЄІС → навантажувальне тестування → деплой у контур замовника → навчання користувачів.
Терміни орієнтовно: базовий модуль (колюзія + НМЦК) — від 5 тижнів, повний функціонал — від 3 місяців. Точний обсяг робіт оцінюємо після аудиту ваших даних і процесів. Зв'яжіться з нами для демонстрації пілотного модуля.
Що входить у роботу
- Аналітика: аудит поточних закупівельних даних, налаштування джерел, відбір ознак.
- ML-моделі: виявлення змови, афілійованості, завищення цін, моніторинг контрактів.
- Інтеграція: REST API, експорт у XML/JSON, налаштування розкладу оновлень.
- Документація: технічна документація, інструкція для оператора, модель звіту.
- Навчання: вебінар для співробітників замовника, 2 дні підтримки на старті.
- Субліцензія: право використання ПЗ на строк контракту, оновлення моделей 6 місяців.
Отримайте консультацію щодо ваших закупівель — ми підготуємо пропозицію з урахуванням специфіки ваших даних. Ми гарантуємо результат: precision > 0.85 на валідаційних даних, сертифікат відповідності ФЗ-44 та підтримку після впровадження.