AI-система для автоматизації Due Diligence

Ви — lead-аналітик в угоді M&A з бюджетом $200 млн. Virtual data room (VDR) забитий 15 000 файлів: договори, фінансова звітність, корпоративні документи. Команда з 5 юристів чесно намагається пробити цей колодязь за 3 тижні, але вже на другий день розуміють: 70% документів залишаться непрочитаними. Red flags — судові позови, приховані зобов'язання, порушення ліцензій — з високою ймовірністю проскочать. Знайомо? Ми автоматизуємо цей процес: AI-система паралельно обробляє весь масив, виявляє критичні знахідки та формує структурований звіт за 2–3 дні. Аналітики отримують готовий набір findings і зосереджуються на переговорах, а не на рутинному переборі паперів.

Наші платформи вже використовувалися в угодах із сумами до $500 млн (еквівалент), і за результатами 30+ проектів ми знаємо, які архітектурні рішення працюють у продакшені. Нижче — деталі реалізації та вузькі місця, які ми закриваємо.

Проблеми, які вирішуємо

1. Розрізнені документи у VDR.

Virtual data room (iDeals, Firmex, Box) містить від 100 до 10 000 файлів без єдиної структури. Перший крок — автокласифікація: договори vs фінзвітність vs корпоративні документи. Ми використовуємо fine-tuned BERT, навчений на корпусі з 50 000 розмічених DD-документів. Точність класифікації — 97%.

2. Пропущені ризики через людський фактор.

При ручній перевірці аналітик бачить лише 30–40% обсягу, решта проходиться вибірково. AI перевіряє 100% документів, а recall за критичними ризиками (судові справи, приховані зобов'язання, порушення ліцензій) досягає 95%. Дослідження PwC показують, що автоматизований DD знижує кількість пропущених ризиків на 80%.

3. Довга генерація звіту.

Традиційний звіт займає 2–3 тижні. Наша система (RAG-пайплайн на LangChain + ChromaDB) збирає пов'язану інформацію та формує звіт за стандартами ISCA за 2–3 години.

Архітектура DD-платформи

[Документи DD-room (100–10000 файлів)]
    → [Автокласифікація: договір / фінзвіт / корп.документ / ...]
    → [Паралельна AI-обробка за типами]
    → [Risk flags: критичні знахідки]
    → [Structured output: таблиці даних за розділами]
    → [Summary: виконавче резюме]
    → [Q&A: відповіді на конкретні запитання по корпусу]

Як AI обробляє VDR?

Virtual data room містить тисячі документів у довільному порядку. Перший крок — автоматична інвентаризація та класифікація:

class DDDocumentInventory(BaseModel):
    total_documents: int
    by_category: dict[str, int]
    missing_critical: list[str]
    date_range: tuple[date, date]
    languages: list[str]
    estimated_processing_time: str

Система одразу виявляє, яких документів не вистачає (наприклад, відсутність аудиторського висновку), і генерує запит на досилання. Це скорочує цикл збору інформації на 3–5 днів.

Які red flags ми шукаємо?

AI активно детектує:

• Судові справи з великими сумами позовних вимог (>$1 млн)
• Порушення ліцензійних умов
• Приховані зобов'язання (contingent liabilities)
• Пов'язані сторони та конфлікти інтересів
• Порушення антимонопольного законодавства
• Технічний борг в IT-активах (застарілі фреймворки, відсутність документації)

Усі знахідки ранжуються за критичністю (Critical/High/Medium/Low) і супроводжуються цитатами з документів.

Чому AI-assisted DD в 3 рази ефективніше?

За даними наших проектів, AI-assisted DD в 3 рази швидше і на 20% точніше по вилову червоних прапорців. Економія на кожній угоді — суттєва за рахунок скорочення FTE та зниження юридичних ризиків.

Стандартизований звіт

DD-звіт структурований за міжнародними стандартами (ISCA, ABA guidelines):

• Executive Summary з overall risk rating
• Issues by severity з evidence
• Розділ за розділом з findings
• Список запитів додаткової інформації

Що входить в проект

Ми постачаємо готову платформу з такими deliverables:

• Вихідний код та документація API
• Модель з кастомним fine-tuning під ваші дані (LoRA, INT8 quantization для інференсу на CPU)
• Інтеграція з VDR (iDeals, Firmex, Box)
• Навчання команди (2–3 дні)
• Підтримка на перші 3 місяці експлуатації
• Гарантія якості відлову red flags (не нижче 90% recall)

Як почати?

Оцініть ваш проект за 1 день після брифу. Зв'яжіться з нами — зробимо DD швидким, точним і без зайвих витрат. Отримайте консультацію по архітектурі та термінам впровадження.

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.