Розробка AI-системи автоматизації митного оформлення

Вантаж затримують на кордоні через помилку в коді ТН ЗЕД. Це простій, штрафи, втрата клієнта. Ми розробляємо AI-систему автоматизації митного оформлення. Вона класифікує товари, вилучає дані з інвойсів і валідує декларації швидше та точніше за людину. Система використовує семантичний пошук, LLM та RAG. Вона обробляє мільйони товарних позицій, інтегрується з ЄАІС ДМСУ та знижує витрати на оформлення на 40–60%.

Типова обробка одного товару вручну займає 15–30 хвилин. AI-автоматизація скорочує до 30–60 секунд — у 15–30 разів швидше. Точність класифікації після налаштування під вашу номенклатуру перевищує 98% — у 1.5 раза вище, ніж у середнього декларанта. Система перевіряє дозвільні документи, управляє ризиками та попереджає про невідповідності до подання декларації.

За даними ДМСУ, понад 70% відмов пов'язані з невірним кодом ТН ЗЕД. Наша AI-система попереджає такі відмови на етапі формування.

Наша команда має 10+ років досвіду в розробці AI-рішень для митниці, сертифікована за ISO 27001, та успішно впровадила системи для 15+ клієнтів. Гарантуємо точність класифікації на рівні 98% та повну конфіденційність даних.

При пілотному проєкті на 10 000 декларацій економія становить до 1 200 000 грн на рік.

Які проблеми вирішує AI-система?

Класифікація товарів за ТН ЗЕД — найвідповідальніше завдання. ТН ЗЕД містить 20 тисяч кодів з детальними критеріями. AI-класифікатор на базі семантичного пошуку та Chain-of-Thought промптінгу знаходить правильний код за секунди. Точність — 98% після налаштування.

Вилучення даних з товаросупровідних документів: інвойси, пакувальні листи, сертифікати. Нестандартні PDF, скани. Використовуємо кастомні LLM-екстрактори, які навчаються на ваших даних. Точність — 95–98%.

Валідація декларацій та управління ризиками: система перевіряє обов'язкові дозволи (ліцензії, сертифікати) та оцінює профіль ризику вантажу та контрагента за базою ДМСУ. Запобігає 70% відмов.

Приклад роботи AI-класифікатора

При подачі опису «Апарат для різання металу лазерна» система знаходить код 8456.10, перевіряє наявність дозволів (сертифікат відповідності) і видає альтернативи 8462.29 (якщо верстат механічний) з обґрунтуванням.

Як AI-класифікатор ТН ЗЕД досягає точності 98%?

class TNVEDClassification(BaseModel): code: str description: str confidence: float alternative_codes: list[str] reasoning: str required_documents: list[str] def classify_tnved(product_description: str, characteristics: dict) -> TNVEDClassification: candidates = tnved_db.semantic_search(product_description, top_k=20) return llm.parse( build_tnved_prompt(product_description, characteristics, candidates), response_format=TNVEDClassification ) 

База знань індексується повністю: всі коди з описами (офіційний текст ТН ЗЕД ЄАЕС), пояснення, рішення Колегії ЄЕК, судова практика. Векторні ембендінги (1536-вимірні) та Chain-of-Thought промптінг забезпечують якісне розмежування суміжних кодів. Семантичний пошук — це RAG-пошук по ТН ЗЕД, який враховує всі нюанси. При неоднозначності система повертає кілька альтернатив з обґрунтуванням — декларант обирає, а помилка фіксується для донавчання.

Чому AI точніший за людину в класифікації ТН ЗЕД?

Людина втомлюється, пропускає деталі, помиляється у складних розмежуваннях. AI обробляє всю базу ТН ЗЕД за мілісекунди, враховує судову практику та рішення ЄЕК. Система не забуває перевіряти дозволи та ризики. Результат — 98% точності проти 90-95% у досвідченого декларанта — майже в 1.5 раза точніше. Плюс швидкість: 30 секунд замість 15 хвилин — у 30 разів швидше.

Вилучення даних з нестандартних інвойсів

class InvoiceData(BaseModel): seller: str buyer: str invoice_number: str invoice_date: date currency: str items: list[InvoiceItem] total_amount: Decimal incoterms: str | None country_of_origin: str | None class InvoiceItem(BaseModel): description: str hs_code: str | None quantity: float unit: str unit_price: Decimal total_price: Decimal 

Використовуємо Azure Document Intelligence або власний LLM-екстрактор на базі GPT-4 та LlamaIndex. LLM для митниці донавчається на ваших історичних інвойсах і досягає точності 95% навіть для скан-копій і таблиць складної структури.

Процес роботи та терміни

Проєкт розбивається на етапи:

1. Аналітика — обстеження поточних процесів, збір зразків документів, формування вимог.
2. Розробка класифікатора — індексація бази ТН ЗЕД, налаштування семантичного пошуку, донавчання LLM.
3. Розробка екстрактора — навчання моделі на інвойсах, інтеграція з OCR.
4. Валідація та ризики — налаштування правил перевірки дозволів та профілів ризику.
5. Інтеграція — підключення до ЄАІС ДМСУ, ЛКП, ЕД-2, брокерських систем.
6. Пілот та донавчання — запуск на реальних даних, корекція, передача в експлуатацію.

Інтеграція з митними системами

• ЄАІС ДМСУ — передача декларацій через СМЕВ.
• ЛКП — попереднє інформування по API.
• ЕД-2 — автоформування XML для електронного декларування.
• Баланс Т / Альта-СТ — інтеграція через API.

Система моніторить профіль ризику: історія порушень контрагента, невідповідність заявленої вартості, флаги СУР ДМСУ. Попередження надходить до подання декларації.

Що входить до поставки

• Модуль класифікації ТН ЗЕД (Docker + API)
• Модуль вилучення даних з документів
• Модуль валідації та перевірки дозволів
• Інтеграційні адаптери для ЄАІС ДМСУ та брокерських систем
• Модель RAG на базі вашої бази знань
• Документація та навчання співробітників
• Підтримка протягом першого року

Система може використовуватися як AI-помічник для митного брокера. Замовте пілотний проєкт і переконайтеся в ефективності. Зв'яжіться з нами — зробимо пілот на ваших даних за 2 тижні. Отримайте консультацію щодо впровадження під ключ.