Інтеграція AI в систему документообігу

AI-інтеграція у системи управління документами

Електронні системи документообігу — EDM, ECM, EDMS — зберігають документи, але не розуміють їх зміст. Співробітник отримує скан контракту → вручну вносить реквізити → вибирає тип документа → призначає маршрут узгодження. AI-інтеграція автоматизує весь цей процес: документ надходить у систему, AI читає його, витягує реквізити, класифікує, створює карточку та запускає потрібний маршрут.

Архітектура AI-прошарку для систем EDM

[Вхідний документ]
PDF/scan/DOCX/email
         ↓
[Document Preprocessor]
OCR (Tesseract/Google Cloud Vision) → нормалізований текст
         ↓
[AI Processing Pipeline]
  ├── Classification: тип документа
  ├── NER: контрагент, дати, суми, реквізити
  ├── Summary: стисле резюме змісту
  └── Routing: визначення маршруту узгодження
         ↓
[EDM API]
Створення карточки + запуск workflow

Класифікація документів

from transformers import pipeline, AutoTokenizer, AutoModelForSequenceClassification
import torch

class DocumentClassifier:
    DOCUMENT_TYPES = [
        "contract", "invoice", "delivery_note", "act",
        "order", "memo", "commercial_proposal",
        "power_of_attorney", "charter", "protocol", "incoming_letter"
    ]

    def __init__(self, model_path: str = "cointegrated/rubert-tiny2"):
        # Для production — fine-tuned BERT на корпусі документів компанії
        self.tokenizer = AutoTokenizer.from_pretrained(model_path)
        self.model = AutoModelForSequenceClassification.from_pretrained(
            model_path,
            num_labels=len(self.DOCUMENT_TYPES)
        )
        self.model.eval()

    def classify(self, text: str) -> dict:
        # Беремо перші 512 токенів (заголовок документа містить основну семантику)
        inputs = self.tokenizer(
            text[:2000],
            return_tensors="pt",
            truncation=True,
            max_length=512,
            padding=True
        )
        with torch.no_grad():
            logits = self.model(**inputs).logits

        probs = torch.softmax(logits, dim=-1)[0]
        top_idx = probs.argmax().item()

        return {
            "type": self.DOCUMENT_TYPES[top_idx],
            "confidence": float(probs[top_idx]),
            "alternatives": [
                {"type": self.DOCUMENT_TYPES[i], "score": float(probs[i])}
                for i in probs.topk(3).indices.tolist()
                if i != top_idx
            ]
        }

Витяг реквізитів через NER + LLM

Для структурованих документів (рахунки, контракти) краще працює комбінація: NER для швидкого витягу стандартних полів + LLM для складних випадків:

from langchain_openai import ChatOpenAI
import re
from datetime import datetime

class DocumentExtractor:
    EXTRACTION_PROMPT = """Витягни реквізити з документа.

Текст документа:
{text}

Тип документа: {doc_type}

Витягни (поверни null якщо не знайдено):
- contractor_name: назва контрагента
- contractor_inn: ІНН контрагента
- contract_number: номер контракту/рахунку
- contract_date: дата документа (ISO 8601)
- total_amount: сума (число)
- currency: валюта (RUB/USD/EUR)
- payment_deadline: термін оплати (якщо є)
- subject: предмет контракту (1-2 речення)
- signatory: підписант зі сторони контрагента

Поверни JSON."""

    def __init__(self):
        self.llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

    def extract_requisites(self, text: str, doc_type: str) -> dict:
        # Спочатку швидкий regex-витяг
        fast_extract = self._regex_extract(text)

        # LLM для пропущених полів та валідації
        llm_result = self.llm.invoke(
            self.EXTRACTION_PROMPT.format(
                text=text[:3000],
                doc_type=doc_type
            )
        )

        import json
        llm_data = json.loads(llm_result.content)

        # Об'єднуємо: regex має пріоритет для числових полів (точніший)
        return {**llm_data, **fast_extract}

    def _regex_extract(self, text: str) -> dict:
        result = {}

        # INN: 10 або 12 цифр
        inn_match = re.search(r'\bINN[:\s]*(\d{10,12})\b', text)
        if inn_match:
            result["contractor_inn"] = inn_match.group(1)

        # Суми з валютою
        amount_match = re.search(
            r'(\d[\d\s,]*\.?\d*)\s*(rub|rubles|RUB|USD|EUR)',
            text, re.IGNORECASE
        )
        if amount_match:
            amount_str = amount_match.group(1).replace(' ', '').replace(',', '.')
            result["total_amount"] = float(amount_str)

        return result

Інтеграція з популярними системами EDM

class SEDIntegration:
    """Інтеграція з 1C:Document Management, Directum, DocsVision"""

    def push_to_directum(self, extracted: dict, original_file: bytes) -> dict:
        """Створює карточку документа в Directum"""
        import requests

        # Завантажуємо файл
        upload_response = requests.post(
            f"{self.directum_url}/api/v1/documents",
            headers={"Authorization": f"Bearer {self.token}"},
            files={"file": original_file}
        )
        doc_id = upload_response.json()["id"]

        # Заповнюємо карточку
        card_response = requests.patch(
            f"{self.directum_url}/api/v1/documents/{doc_id}/properties",
            headers={"Authorization": f"Bearer {self.token}"},
            json={
                "DocumentType": extracted["type"],
                "Counterparty": extracted.get("contractor_name"),
                "INN": extracted.get("contractor_inn"),
                "Amount": extracted.get("total_amount"),
                "DocumentDate": extracted.get("contract_date"),
                "Subject": extracted.get("subject")
            }
        )

        # Запускаємо маршрут узгодження
        route = self._determine_route(extracted)
        requests.post(
            f"{self.directum_url}/api/v1/documents/{doc_id}/workflow/{route}",
            headers={"Authorization": f"Bearer {self.token}"}
        )

        return {"doc_id": doc_id, "route": route}

    def _determine_route(self, extracted: dict) -> str:
        """Визначає маршрут узгодження за параметрами документа"""
        amount = extracted.get("total_amount", 0)
        doc_type = extracted.get("type", "")

        if doc_type == "contract":
            if amount > 1_000_000:
                return "contract_large"      # директор + юрист + фінанси
            elif amount > 100_000:
                return "contract_medium"     # менеджер + юрист
            else:
                return "contract_standard"   # тільки менеджер
        elif doc_type == "invoice":
            return "invoice_approval"
        return "standard"

Кейс: виробнича компанія, 500 вхідних документів на місяць. До впровадження: 2 операторів витрачали 40% робочого часу на ручний внесення реквізитів. Після: точність автоматичного витягу реквізитів 94% (перевірено на 1000 документів), 89% документів обробляються без участі оператора, оператори займаються тільки винятками (confidence < 0.8) та перевіркою спірних маршрутів. Час обробки вхідного документа: 8 хвилин → 45 секунд.

Терміни

• Класифікатор + екстрактор реквізитів: 3–4 тижні
• Інтеграція з конкретною системою EDM: 2–3 тижні
• Fine-tuning моделей на документах клієнта: 1–2 додаткові тижні