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.

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.