AI-генерація грантових заявок: автоматизація та прискорення

AI-генерація заявок на гранти

Грантова заявка — структурований документ із жорсткими вимогами до обсягу, розділів та формулювань. Організації витрачають 40–80 годин на одну заявку у великий фонд. Ми розробили систему, яка скорочує цей час у 5–7 разів без втрати якості. AI не пише заявку за дослідника — це неможливо. AI прискорює чорнову роботу: перекладає технічні описи мовою грантів, перевіряє відповідність вимогам фонду, генерує шаблони розділів і допомагає вибудувати наратив. Замовте впровадження AI-генерації — отримайте готову систему за 3–4 тижні.

За час роботи ми підготували понад 50 заявок для НКО та стартапів — від екологічних проектів до AI-досліджень. Система пройшла перевірку на конкурсах Президентського фонду культурних ініціатив, Сколково та EU Horizon. Результат: середній час заявки впав з 60 до 10 годин, а кількість успішних подач зросла на 40%.

Модулі AI-системи для грантів

Система складається з трьох модулів: аналізатор вимог фонду, профіль організації та генератор розділів. Аналізатор на базі Claude Sonnet 4.5 перетворює конкурсну документацію в структурований JSON з лімітами, ключовими словами та критеріями оцінки. Профіль організації зберігає попередні заявки, публікації та резюме команди у векторній базі ChromaDB. Генератор для кожного розділу використовує спеціалізований промпт, вбудовуючи релевантні докази з архіву.

from anthropic import Anthropic
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
import json
from pathlib import Path

client = Anthropic()
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")


class GrantRequirementsAnalyzer:
    """Аналізує вимоги грантового фонду"""

    def parse_call_for_proposals(self, cfp_text: str) -> dict:
        """Витягує структуровані вимоги з конкурсної документації"""
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            messages=[{
                "role": "user",
                "content": f"""Проаналізуй конкурсну документацію та витягни вимоги.
Поверни JSON:
{{
  "funder_name": "назва фонду",
  "program_name": "назва програми",
  "max_grant_size": "сума або null",
  "eligible_organizations": ["тип орг. 1", "тип орг. 2"],
  "priority_areas": ["пріоритет 1", "пріоритет 2"],
  "required_sections": [
    {{"name": "назва розділу", "max_words": 500, "description": "що має бути"}}
  ],
  "evaluation_criteria": [
    {{"criterion": "назва", "weight": "відсоток або опис"}}
  ],
  "key_keywords": ["ключові слова для використання"],
  "prohibited": ["що не можна вказувати або робити"],
  "deadline": "дата або null",
  "reporting_requirements": "вимоги до звітності"
}}

Документація:
{cfp_text[:8000]}

Тільки JSON."
            }],
        )

        text = response.content[0].text
        return json.loads(text[text.find("{"):text.rfind("}") + 1])


class OrganizationProfileBuilder:
    """Будує профіль організації для повторного використання в заявках"""

    def __init__(self, org_id: str):
        self.vectorstore = Chroma(
            collection_name=f"org_profile_{org_id}",
            embedding_function=embeddings,
        )

    def add_document(self, doc_type: str, content: str, metadata: dict = {}):
        """
        doc_type: "previous_grant" | "publication" | "team_bio" |
                  "project_results" | "financial_report" | "partner_letter"
        """
        self.vectorstore.add_texts(
            texts=[content],
            metadatas=[{"doc_type": doc_type, **metadata}]
        )

    def find_relevant_evidence(self, query: str, doc_types: list = None) -> list[dict]:
        """Знаходить релевантні матеріали з архіву організації"""
        filter_dict = {"doc_type": {"$in": doc_types}} if doc_types else None
        results = self.vectorstore.similarity_search_with_score(
            query, k=6, filter=filter_dict
        )
        return [
            {
                "content": doc.page_content,
                "doc_type": doc.metadata.get("doc_type"),
                "relevance": round(1 - score, 2),
            }
            for doc, score in results
            if (1 - score) > 0.5
        ]


class GrantSectionWriter:
    """Пише окремі розділи грантової заявки"""

    SECTION_PROMPTS = {
        "problem_statement": """Напиши розділ «Обґрунтування проблеми».
Використовуй дані та статистику. Покажи значущість проблеми для цільової аудиторії фонду.
Уникай загальних слів — конкретні факти, посилання на дослідження.""",

        "objectives": """Напиши розділ «Цілі та завдання проекту».
Цілі мають бути SMART: конкретними, вимірюваними, досяжними, релевантними, обмеженими в часі.
Формат: 1-2 цілі + 4-6 завдань.""",

        "methodology": """Напиши розділ «Методологія / план реалізації».
Детальний опис: етапи, методи, інструменти, строки.
Включи план управління ризиками.""",

        "expected_results": """Напиши розділ «Очікувані результати та показники».
Чіткі кількісні KPI. Як буде вимірюватися успіх?
Розділити: прямі результати (outputs), результати змін (outcomes), довгостроковий вплив (impact).""",

        "team": """Напиши розділ «Команда проекту».
Компетенції ключових учасників. Релевантний досвід. Чому саме ця команда впорається?""",

        "budget_justification": """Напиши обґрунтування бюджету.
Кожна стаття витрат має бути обґрунтована необхідністю для проекту.
Покажи відповідність запитуваних сум ринковим цінам.""",

        "sustainability": """Напиши розділ «Стійкість проекту».
Як проект розвиватиметься/підтримуватиметься після закінчення грантового періоду?
Джерела подальшого фінансування.""",

        "innovation": """Напиши розділ «Новизна та інноваційність».
У чому унікальність підходу? Чим відрізняється від існуючих рішень?""",
    }

    def write_section(
        self,
        section_name: str,
        project_brief: dict,
        requirements: dict,
        org_evidence: list[dict],
        word_limit: int = 500,
    ) -> str:
        """Генерує розділ заявки"""
        section_instruction = self.SECTION_PROMPTS.get(
            section_name,
            f"Напиши розділ '{section_name}'."
        )

        evidence_text = ""
        if org_evidence:
            evidence_text = "\n\nРелевантні матеріали організації:\n" + "\n\n".join([
                f"[{e['doc_type']}]: {e['content'][:500]}"
                for e in org_evidence[:4]
            ])

        keywords_instruction = ""
        if requirements.get("key_keywords"):
            keywords_instruction = f"\nВажно використовувати ключові слова фонду: {', '.join(requirements['key_keywords'][:10])}"

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            system=f"""Ти — експерт з написання грантових заявок.
Пишеш для фонду: {requirements.get('funder_name', 'невідомий')}.
Програма: {requirements.get('program_name', '')}.
Пріоритети фонду: {', '.join(requirements.get('priority_areas', []))}.
Обмеження: {word_limit} слів.{keywords_instruction}

Стиль: професійний, конкретний, орієнтований на результат.
НЕ використовуй шаблонні фрази на кшталт «даний проект спрямований на...»""",
            messages=[{
                "role": "user",
                "content": f"""{section_instruction}

Опис проекту:
{json.dumps(project_brief, ensure_ascii=False, indent=2)}
{evidence_text}

Напиши розділ ({word_limit} слів)."""
            }],
        )

        return response.content[0].text


class GrantApplicationSystem:
    """Повна система генерації грантових заявок"""

    def __init__(self, org_id: str):
        self.analyzer = GrantRequirementsAnalyzer()
        self.org_profile = OrganizationProfileBuilder(org_id)
        self.writer = GrantSectionWriter()

    def generate_full_application(
        self,
        cfp_text: str,
        project_brief: dict,
    ) -> dict:
        """Генерує повну грантову заявку"""

        # 1. Аналізуємо вимоги фонду
        requirements = self.analyzer.parse_call_for_proposals(cfp_text)

        # 2. Генеруємо розділи
        application = {
            "metadata": {
                "funder": requirements.get("funder_name"),
                "program": requirements.get("program_name"),
                "generated_at": __import__("datetime").datetime.now().isoformat(),
            },
            "sections": {},
        }

        for section_req in requirements.get("required_sections", []):
            section_name = section_req["name"]
            word_limit = section_req.get("max_words", 500)

            # Знаходимо релевантні матеріали з архіву
            query = f"{section_name} {project_brief.get('title', '')} {project_brief.get('problem', '')}"
            evidence = self.org_profile.find_relevant_evidence(
                query,
                doc_types=["previous_grant", "project_results", "publication"],
            )

            # Мапінг назв розділів на типи промптів
            section_type = self._map_section_type(section_name)

            content = self.writer.write_section(
                section_name=section_type,
                project_brief=project_brief,
                requirements=requirements,
                org_evidence=evidence,
                word_limit=word_limit,
            )

            application["sections"][section_name] = {
                "content": content,
                "word_count": len(content.split()),
                "word_limit": word_limit,
            }

        # 3. Перевіряємо відповідність критеріям
        application["compliance_check"] = self._check_compliance(
            application["sections"],
            requirements,
        )

        return application

    def _map_section_type(self, section_name: str) -> str:
        """Мапінг довільних назв розділів на типи"""
        name_lower = section_name.lower()
        mapping = {
            "problem": "problem_statement",
            "проблем": "problem_statement",
            "цілі": "objectives",
            "завдан": "objectives",
            "методол": "methodology",
            "план": "methodology",
            "результат": "expected_results",
            "команд": "team",
            "бюджет": "budget_justification",
            "стійк": "sustainability",
            "нов": "innovation",
            "інновац": "innovation",
        }
        for key, value in mapping.items():
            if key in name_lower:
                return value
        return "problem_statement"

    def _check_compliance(self, sections: dict, requirements: dict) -> dict:
        """Перевіряє заявку на відповідність вимогам"""
        issues = []
        warnings = []

        # Перевіряємо обсяги
        for section_name, section_data in sections.items():
            if section_data["word_count"] > section_data["word_limit"] * 1.1:
                issues.append(f"Розділ '{section_name}': перевищено ліміт слів ({section_data['word_count']} > {section_data['word_limit']})")

        # Перевіряємо наявність ключових слів
        all_text = " ".join(s["content"] for s in sections.values()).lower()
        for keyword in requirements.get("key_keywords", [])[:5]:
            if keyword.lower() not in all_text:
                warnings.append(f"Відсутнє ключове слово: '{keyword}'")

        return {
            "passed": len(issues) == 0,
            "issues": issues,
            "warnings": warnings,
        }

Практичний кейс: наш клієнт — НКО, 12 заявок на рік

Ситуація: некомерційна організація подає 10–15 заявок на рік у різні фонди. Кожна заявка вимагає переробки під вимоги конкретного фонду. 2–3 співробітники витрачали сумарно 600+ годин на рік.

Ось що ми зробили:

• Проіндексували 35 попередніх успішних заявок у профіль організації.
• Система генерує чорнові розділи за 15–20 хвилин.
• Compliance-чекер перевіряє відповідність лімітам та ключовим словам.
• Фінальне редагування живим автором: 6–10 годин замість 40–80.

Результати:

Важливе обмеження: AI-чернетка потребує ретельної перевірки. У заявках для Сколково система включила формулювання з попередніх заявок, які суперечили новим вимогам програми. Compliance-чекер цього не впіймав — додали крок ручного перегляду критеріїв оцінки перед фінальною подачею.

Чому AI-генерація ефективніша за традиційні шаблони?

Порівняно з ручним написанням або простими шаблонами, наша система дає триразовий виграш: AI-генерація в 5 разів швидша, ніж написання з нуля, і в 2 рази швидша, ніж редагування торішньої заявки під новий фонд. Крім того, compliance-чекер автоматично виявляє невідповідності ключовим словам та лімітам, знижуючи ризик відхилення через формальні помилки. Економія бюджету організації — до 1.5 млн грн на рік при активній роботі з грантами.

В основі лежать великі мовні моделі (LLM) — від Claude до GPT, — які донавчаються (fine-tuning) на ваших успішних заявках для підвищення релевантності. Механізм пошукового доповнення генерації (RAG) витягує з векторної бази (ChromaDB) релевантні фрагменти архіву, а compliance-модуль проводить грантовий аудит кожного розділу на відповідність формальним критеріям.

«Автоматизація чорнової роботи дозволила нашій команді зосередитися на змістовній частині — за рік ми подали на 80% більше заявок при тих же трудозатратах.» — проектний менеджер НКО-клієнта

Як AI-генерація підвищує якість заявок?

Генератор не просто копіює старі заявки — він адаптує наратив під критерії конкретного фонду. Аналізатор виділяє приховані пріоритети, а профіль організації підтягує релевантні докази. Compliance-модуль перевіряє кожен розділ на відповідність лімітам слів та ключовим словам. У результаті заявка виходить більш точною та цілісною, що підвищує шанси на успіх.

Склад робіт з впровадження

• Аналіз конкурсної документації та витягнення прихованих вимог.
• Побудова профілю організації з індексацією архіву (до 1000 документів).
• Генерація чернеток усіх розділів з урахуванням ваших даних та ключових слів фонду.
• Compliance-перевірка на відповідність лімітам слів, ключовим словам та критеріям оцінки.
• Документація з розгортання або надання доступу до веб-інтерфейсу.
• Навчання співробітників (2–3 години) та пост-релізна підтримка 30 днів.

Етапи впровадження

1. Аудит поточних процесів — збір заявок, конкурсної документації, визначення типових сценаріїв.
2. Індексація архіву — завантаження документів у векторну базу ChromaDB, налаштування ембедингів.
3. Налаштування генератора — адаптація промптів під стилістику фондів, за потреби fine-tuning моделі.
4. Інтеграція — розгортання на вашій інфраструктурі або надання SaaS-доступу.
5. Навчання та приймання — пілотування на одній заявці, передача документації.

Строки

Вартість розраховується індивідуально залежно від обсягу архіву, кількості фондів та необхідної інтеграції. Наша компанія — більше 5 років на ринку, 70+ реалізованих проектів в AI/ML. Ми гарантуємо якість кожного етапу: від аналізу до впровадження. Зв'яжіться з нами — оцінимо ваш проект і підготуємо пропозицію. Отримайте консультацію з впровадження AI в грантовий процес.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.