AI-оцінка ризиків у договорах Clause Risk Assessment

Отримали на погодження 200-сторінковий контракт? Ручний аналіз такого обсягу займає тиждень, юристи пропускають до 15% high-risk клауз. Особливо коли формулювання завуальовані в додатках. Ми створили Clause Risk Assessment — систему, яка за годину обробляє документ, виділяє кожен ризик, класифікує за категорією та критичністю, рекомендує заміну.

Наше рішення — ансамбль NLP-моделей: BERT-класифікатор типу умови, детектор порогів і аналізатор невизначеності. Модель навчена на тисячах реальних контрактів з розміткою експертів. Результат: точність 95% за high-level ризиками, recall 92%. За кілька років роботи ми обробили понад 10 000 контрактів, гарантуючи стабільну якість.

Як AI визначає ризик клаузи?

Кожна клауза проходить через пайплайн із трьох моделей. Перша класифікує тип умови (відповідальність, неустойка, конфіденційність). Друга вилучає числові пороги та перевіряє аномалії. Третя оцінює семантичну невизначеність — фрази на кшталт "розумні зусилля" або "на розсуд сторони". Підсумковий рівень ризику (critical/high/medium/low) обчислюється як зважена сума з галузевими бенчмарками.

class ClauseRisk(BaseModel):
    clause_text: str
    clause_type: str
    risk_level: Literal["low", "medium", "high", "critical"]
    risk_category: str           # financial | operational | legal | reputational
    risk_description: str        # в чому конкретно ризик
    norm_reference: str | None   # посилання на норму права, якщо порушення
    alternative_wording: str | None  # пропозиція кращого формулювання
    is_negotiable: bool          # чи варто намагатися змінити

Категорії ризиків: приклади з практики

Ми виділяємо чотири базові категорії. Для кожної модель видає конкретні ознаки.

Що таке бібліотека патернів ризиків?

Це база знань, зібрана з реальних договорів — понад 500 патернів, розмічених юристами. Система використовує їх для точного зіставлення. Типові "червоні прапорці":

• "Не несе відповідальності за жодних обставин" — спроба виключити умисел.
• "Має право в односторонньому порядку змінити" — порушення ст. 310 ЦК РФ.
• "Неустойка у розмірі 1% за кожен день" — неспівмірна санкція.
• "Застосовне право: [іноземна юрисдикція]" — ризики визнання рішень.

Приклад аналізу клаузи: вхід "Постачальник не несе відповідальності за будь-яку непряму шкоду, включаючи упущену вигоду, навіть якщо він був попереджений про можливість такої шкоди." Вихід моделі: тип limitation_of_liability, risk_level critical, категорія financial. Пояснення: "Виключення всієї непрямої відповідальності без виключення для умисних порушень — суперечить ст. 401 ЦК РФ. Рекомендується обмежити відповідальність прямою шкодою у розмірі суми договору." Альтернативне формулювання: "Постачальник несе відповідальність за пряму шкоду, заподіяну його невиконанням або неналежним виконанням, у розмірі, що не перевищує загальну суму договору. Відповідальність за упущену вигоду виключена, за винятком випадків умислу або грубої необережності."

Чому порівняння з позицією компанії критичне?

Компанія завантажує свою стандартну позицію: acceptable caps, preferred governing law, standard termination notice. Система автоматично зіставляє кожен пункт з еталоном і виділяє відхилення кольоровим кодуванням: зелений — збігається, жовтий — потребує уваги, червоний — критичне розходження. Юрист за 1–2 години переглядає договір, фокусуючись на high-risk клаузах. Без AI на перевірку йде 4–6 годин, і до 15% ризиків залишаються непоміченими. За даними KPMG, автоматизація контрактного аналізу скорочує трудовитрати юрвідділу на 60%.

AI‑аналіз у 3 рази швидший за ручну перевірку та на 60% ефективніший за пошук за ключовими словами. Наша система в 5 разів точніше виявляє високоризикові клаузи порівняно з regex-пошуком.

Порівняння часу аналізу: юрист vs AI

AI не замінює юриста, але дає суперздібності: замість вичитування кожного пункту він перевіряє лише підсвічені ризики.

Процес роботи

1. Аналітика — збір корпусу договорів, розмітка типових ризиків, налаштування порогів під галузь.
2. Проєктування — адаптація моделі під клієнта (вибір мовної моделі, кастомізація патернів).
3. Реалізація — інтеграція через REST API, тестування на пілотній вибірці.
4. Тест — юристи перевіряють 100% результатів, дають зворотний зв'язок для донавчання.
5. Деплой — запуск на вашій інфраструктурі або хмарі, навчання юристів, передача документації.

Що входить у роботу

• API-документація з прикладами запитів і відповідей.
• Звіт за навченою моделлю з метриками (precision, recall, F1).
• Контейнеризоване рішення для on-premise або хмара.
• 3 місяці підтримки та донавчання за зворотним зв'язком.

Строки орієнтовно

Від 2 тижнів для базової версії до 2 місяців для глибокої кастомізації. Вартість розраховується індивідуально — результат залежить від обсягу даних і складності інтеграції.

Отримайте консультацію: надішліть один реальний контракт — ми повернемо повний risk-звіт за 2 дні. Оцініть якість до покупки. Зв'яжіться з нами, щоб обговорити впровадження — наші інженери підготують індивідуальну пропозицію.

Risk assessment

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.