AI-системи для LegalTech: аналіз контрактів, пошук прецедентів

Типова ситуація: юрдепт отримує 50 вхідних договорів на день. Кожен договір містить десятки сторінок, а пошук релевантних судових рішень за ключовими словами дає тисячі нерелевантних результатів. AI вирішує обидві задачі за хвилини, але потребує правильного налаштування моделей — донавчання на ваших даних та грамотної архітектури RAG. Розберемо, як побудувати Contract Intelligence та семантичний пошук на практиці.

Ми інтегруємо AI-системи, які автоматизують рутинну роботу юристів: аналіз контрактів, семантичний пошук за прецедентами, генерацію документів та compliance-моніторинг. Скорочуємо час на обробку вхідної документації в 5–15 разів. Наш досвід — 5+ років, понад 50 проєктів в Україні та СНД.

Як працює Contract Intelligence?

Contract Intelligence — це набір NLP-моделей, що вирішують п'ять завдань: вилучення сутностей, детекція ризиків, порівняння з шаблоном, класифікація договору та risk scoring. Розглянемо процес по кроках.

1. Завантаження та попередня обробка: контракт розбивається на фрагменти по 512 токенів з перекриттям 50 токенів.
2. NER: модель LegalBERT вилучає сторони, дати, суми, штрафи, юрисдикцію (точність F1 > 94%).
3. Класифікація ризиків: бінарний класифікатор визначає ризикові параграфи, пояснюючи рішення через SHAP.
4. Порівняння з корпоративним шаблоном: виявляються відхилення від стандарту компанії.
5. Формування звіту: структуроване резюме з risk scoring.

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

class ContractEntityExtractor:
    """NER для вилучення юридичних сутностей з договорів"""

    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):
        """Обробка довгих контрактів по чанках"""
        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 проти general‑purpose BERT: на юридичних корпусах (EDGAR, EUR‑Lex) донавчені моделі показують F1 на 8–15% вище. Ми використовуємо моделі, адаптовані під україномовну правову практику (Ліга:Закон, Єдиний державний реєстр судових рішень).

При впровадженні Contract Intelligence часто допускають три помилки: ігнорування контексту моделлю без fine‑tune, надто малий розмір чанка (контракти довші за 512 токенів) та відсутність пояснюваності для юриста. Ми вирішуємо це донавчанням на ваших даних, використанням overlap=50 та інтеграцією SHAP.

Чому RAG ефективніший за традиційний пошук прецедентів?

Традиційний пошук за ключовими словами дає тонни нерелевантних справ. AI‑пошук використовує семантичну подібність: RAG-архітектура з векторною базою Chroma та ембедингами BAAI/bge-m3. Індексація судових рішень по чанках 1000 токенів з overlap 200. Докладніше про концепцію RAG можна прочитати у Wikipedia.

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

# Індексація бази судових рішень
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):
    """Семантичний пошук подібних справ"""
    results = vectorstore.similarity_search_with_score(query, k=k)
    return [(doc, score) for doc, score in results if score < 0.5]

Бази даних, з якими ми працюємо: API Ліга:Закон, Єдиний державний реєстр судових рішень, СТС Гарант, EUR‑Lex (ЄС), Westlaw/LexisNexis. В одному з проєктів для юридичного департаменту нафтової компанії ми скоротили час пошуку з 4 годин до 15 хвилин.

Як влаштована Document Assembly і як вона прискорює створення документів?

Document Assembly — система генерації документів з шаблонів із заповненням зі структурованих даних (Jinja2 + docxtpl). Приклади:

• Позовна заява: за даними клієнта та інциденту → чернетка за 2 хвилини.
• NDA: вибір опціональних клаузул за типом угоди → збірка документа.
• Корпоративні документи: статут, рішення учасників — шаблони з варіативними секціями.

Due Diligence автоматизація при M&A — аналіз сотень документів за дні, а не тижні:

• Класифікація за категоріями (контракт, ліцензія, дозвіл, патент).
• Вилучення ключових дат (закінчення ліцензій, change‑of‑control triggers).
• Red flag detection: судові позови, застави, санкційні ризики.
• Генерація DD‑чеклиста зі статусом по кожному пункту.

Compliance та регуляторний моніторинг

Моніторинг змін законодавства: NLP парсинг офіційних джерел (rada.gov.ua, Ліга:Закон RSS). Класифікуємо релевантні для компанії нормативні акти, оцінюємо impact на внутрішні документи, генеруємо auto‑summary з датами набрання чинності.

Contract Compliance: перевірка контрактних зобов'язань на відповідність Закону про захист персональних даних, ЗУ про публічні закупівлі, GDPR. Моделі виділяють обов'язкові клаузули та сигналізують про невідповідності.

Що входить у роботу

Оцінюємо проєкт за 2 дні — надішліть приклади контрактів та опис процесів. Отримайте консультацію щодо впровадження AI в LegalTech. Замовте консультацію — ми зафіксуємо терміни та вартість під ваш обсяг даних.

Галузеві AI-рішення: медицина, фінанси, рітейл, виробництво

Ми стикаємося з однією і тією ж проблемою: горизонтальна модель тексту не розрізняє медичну номенклатуру, а стандартний детектор об'єктів плутає «подряпину на шві зварювання» з «подряпиною на корпусі». Кожного разу це різні дефекти з різними наслідками. Щоб цього уникнути, ми будуємо галузеві рішення поверх загальних методів, але з глибоким знанням домену — від регуляторики до специфіки даних. За 5 років ми провели 80+ проектів у фінтесі, медицині, рітейлі та виробництві, і жоден не обійшовся без адаптації під конкретний business case.

Як ми будуємо галузеві AI-рішення?

Медицина: регуляторний лабіринт та data governance

Медичний AI відрізняється не технічними алгоритмами, а compliance-first підходом. Залежно від країни застосування модель може бути медичним виробом класу II або III, що вимагає клінічних випробувань (FDA, CE MDR, ГОСТ Р). Ми гарантуємо дотримання цих норм на етапі архітектури — правити постфактум в 10× дорожче.

Медична візуалізація. Детекція на рентгенограмах, КТ, МРТ — зріла область. Моделі на ResNet, EfficientNet, SegFormer досягають AUC 0.94–0.97 на стандартних задачах (пневмонія на CXR, поліпи на колоноскопії). Ключова проблема — generalization: модель, навчена на даних одного виробника сканера, деградує на іншому через відмінності в preprocessing та артефактах. Рішення — domain adaptation через MONAI (Medical Open Network for AI) від NVIDIA, в якому вбудовані DICOM-loading, 3D augmentation та confidence calibration. TotalSegmentator — для автоматичної сегментації 117 структур на КТ, production-ready, ліцензія Apache 2.0.

Clinical NLP. Вилучення структурованої інформації з клінічних записів: діагнози (ICD-10/11), призначення, дати, показники. medspaCy, scispaCy, MedCAT — спеціалізовані NLP-бібліотеки з онтологіями (SNOMED-CT, UMLS). Fine-tuning BioBERT або ClinicalBERT на наших даних дає F1 0.85–0.92 на NER задачах — це на 20-30% вище, ніж у загального BERT. Ми перевірили це на проекті з регіональним онкологічним центром: точність вилучення стадій раку зросла на 23%.

Clinical decision support. LLM-асистенти для підтримки клінічних рішень — регуляторна сіра зона. Ми використовуємо RAG-систему поверх клінічних гайдлайнів (UpToDate, локальні протоколи) з явним зазначенням джерела кожного твердження. Модель не діагностує, а допомагає знайти релевантний протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Дані в DICOM/HL7 FHIR, on-premise деплой обов'язковий.

Що входить в роботу над медичним проектом:

• Аудит даних та регуляторної карти (FDA/CE/ГОСТ)
• Вибір архітектури під тип медичного виробу
• Розробка та валідація моделі (AUC, sensitivity, specificity)
• Інтеграція з PACS/EHR (HL7 FHIR)
• Підготовка документації для CE-маркування (якщо потрібно)
• Навчання персоналу роботі з моделлю

Для оцінки вашого медичного проекту зв'яжіться з нами — ми проведемо аудит даних та регуляторних вимог.

AI рішення для фінтеху: інтерпретованість скорингу під Basel IV

Фінансовий сектор — один з найбільш зрілих щодо застосування ML, але зарегульованість тут максимальна. Кожна модель, що впливає на кредитні рішення, підпадає під Basel IV, EU AI Act, GDPR Article 22. В одному з останніх проектів ми впровадили скорингову модель для банку з топ-10, де кожен запис вимагав пояснення по SHAP.

Кредитний скоринг. Gradient boosting (LightGBM, XGBoost) — домінує. Нейронні мережі дають +0.5–2% AUC, але втрачають інтерпретованість. LightGBM навчається в 3-5 разів швидше за нейронні мережі та дає змогу використовувати SHAP для пояснення кожного рішення. Обов'язкова перевірка на fairness: Fairlearn або aif360 для аудиту disparate impact по protected attributes (вік, стать). Клас «дефолт» становить 1–5% — при імбалансі 1:30 модель з accuracy 97% може мати recall 0.2. Рішення: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмічний трейдинг та ризик-менеджмент. LSTM та Transformer для прогнозу цін — популярні, але в production нестабільні через нестаціонарність фінансових рядів. Більш надійний підхід: ML для signal generation (класифікація: зростання/падіння за горизонт N) з традиційним portfolio optimization зверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичний правильний backtesting — look-ahead bias вбиває результати. Ми гарантуємо чистоту експерименту: всі дані на момент сигналу доступні в реальному часі.

AML (Anti-Money Laundering). Graph Neural Networks для аналізу транзакційних мереж — активно розвивається область. PyG, DGL для GNN. Задача: виявити suspicious patterns в графі транзакцій (layering, structuring). Recall критичніший за precision — краще 10 хибних тривог, ніж пропустити відмивання. В проекті для великого платіжного сервісу ми підвищили recall на 18% без збільшення false positive rate.

Що входить в роботу над фінансовим проектом:

• Аудит даних та регуляторних вимог (Basel, EU AI Act)
• Вибір моделі та забезпечення explainability (SHAP, LIME)
• Перевірка fairness та відсутність bias
• Інтеграція з core banking / trading systems
• Документація та compliance-звітність
• Моніторинг дрейфу моделі та ретрейн

Замовте консультацію — ми оцінимо ваш датасет та відповідність регуляторним вимогам

Рітейл та e-commerce: рекомендаційні системи та demand forecasting

Рекомендаційні системи. Архітектурний стандарт останніх років: two-tower модель для retrieval + ranking з cross-features. TensorFlow Recommenders або Merlin від NVIDIA для GPU-accelerated feature processing. Для невеликих каталогів (<100k item) достатньо LightFM. Часта помилка — навчати на implicit feedback без урахування position bias. Рішення: IPW (Inverse Propensity Weighting) або randomized logging на частині трафіку. Термін розробки базової рекомендаційної системи — 4–8 тижнів, включаючи A/B-тест.

Demand forecasting та inventory optimization. Ієрархічне прогнозування: SKU → категорія → магазин → регіон. HierarchicalForecast від Nixtla автоматично узгоджує прогнози за рівнями. TFT або N-HiTS для базового прогнозу, gradient boosting для adjustment на екзогенних факторах (промо, погода, події). Один проект у рітейлі призвів до зниження сток-аутів на 15% за рахунок точного промо-калібрування.

Visual search та розмірна сумісність. CLIP-embeddings для пошуку за зображенням — деплоїться за 2–3 тижні: clip-ViT-B-32 або clip-ViT-L-14, індекс Faiss або Qdrant, REST API. Для size recommendation — специфічні моделі на даних повернень та відгуків із зазначенням fit.

Що входить в роботу над рітейл-проектом:

• Аналіз даних транзакцій, товарів, клієнтів
• Вибір архітектури (collaborative / content-based / hybrid)
• Розробка та оцінка якості (NDCG, recall@k, MRR)
• A/B-тест та моніторинг business impact
• Підтримка версіонування та пере навчання моделей

Отримайте комерційну пропозицію для вашого e-commerce проекту

Чому domain expert критичний для галузевого AI?

Виробництво: інспекція якості та predictive maintenance

Quality control та дефектоскопія. CV-моделі для інспекції продукції — одне з найбільш зрілих галузевих завдань. YOLOv10 для детекції дефектів, SegFormer для сегментації. Специфіка: дисбаланс класів (дефекти рідкісні), високі вимоги до recall (пропуск дефекту гірший за хибну тривогу). Типовий набір даних: 500–2000 зображень з дефектами + 500–1000 нормальних. Few-shot learning через DINO або SAM 2 дозволяє працювати з 50–100 анотованими прикладами. Ми отримали досвід на лінії з виробництва електроніки — recall 0.95 при FPR 0.03.

Predictive maintenance. Вібраційні датчики, струмові датчики, термопари → feature extraction → аномалія або класифікація режиму. Моделі: LSTM-AE для unsupervised, LightGBM для supervised (якщо є історія відмов). Інтеграція з SCADA/OPC-UA через opcua-asyncio або MQTT. Ключова метрика: False Negative Rate — пропущений передвідмова коштує дорожче хибної тривоги. Поріг налаштовується під бізнес-вартість кожного типу помилки. Терміни: від 3 до 6 місяців до production.

Digital twin та симуляція. Surrogate models — ML-моделі, що замінюють дороге фізичне моделювання. Якщо CFD-симуляція займає 6 годин, а surrogate (навчена на 10 000 симуляцій) — 0.01 секунди, це 2 000 000× прискорення для оптимізації. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Що входить в роботу над виробничим проектом:

• Аудит даних сенсорів / зображень
• Вибір моделі під задачу (CV / time series / vibro)
• Розробка пайплайну (ETL, feature engineering, training)
• Розгортання на Edge / on-premise
• Моніторинг та ретрейн моделі

Загальні принципи галузевого AI. Незалежно від галузі, є патерни, що працюють скрізь. Domain expert в команді — ML-інженер без domain knowledge робить повільно і з помилками те, що ML-інженер плюс лікар/фінансист/технолог зроблять швидко і правильно. Compliance-first design — регуляторні вимоги простіше вбудувати в архітектуру з початку, ніж додати пізніше. Логування, пояснюваність, версіонування — з першого дня. Дані важливіші за архітектуру — в медицині 1000 якісно розмічених знімків краще 100 000 поганих. У виробництві 200 реальних прикладів дефектів цінніші за 10 000 синтетичних.

Порівняння підходів за швидкістю та точністю для різних галузей:

Як проходить робота над галузевим AI-рішенням?

1. Занурення в домен (2–3 дні) — інтерв'ю з експертами, вивчення регуляторних вимог, аудит доступних даних.
2. Проектування MVP (1–2 тижні) — вибір стеку, архітектури, оцінка feasibility.
3. Розробка та валідація (від 4 тижнів до 6 місяців залежно від галузі) — навчання моделі, тестування, compliance.
4. Інтеграція та деплой (1–4 тижні) — on-premise / cloud / edge, документація, навчання персоналу.
5. Підтримка та моніторинг — дрейф моделі, ретрейн, SLA.

Орієнтовні терміни:

Вартість розраховується індивідуально під кожен проект. Отримайте консультацію — оцінимо ваш датасет, регуляторну карту та бізнес-цілі.

Наш досвід та гарантії

80+ реалізованих проектів у фінтесі, медицині, рітейлі та виробництві. Стійкий досвід роботи з compliance та деплоєм. Ми відповідаємо за досягнення цільових метрик (AUC, recall, latency p99) і надаємо повну документацію — model card, datasheet, compliance report. Використовуємо open-source з комерційно безпечними ліцензіями (PyTorch, MONAI, LightGBM, Qdrant). Працюємо як підрядник та в ролі посилення вашої команди.

Зв'яжіться з нами — обговоримо ваше завдання та підготуємо комерційну пропозицію з планом робіт.