AI Legal Assistant: цифровий юрист для договорів

Юридичний відділ витрачає до 70% часу на рутинний аналіз договорів та пошук релевантних норм. Ми розробляємо AI Legal Assistant — цифрового працівника, який автоматизує ці завдання та інтегрується у ваш документообіг. Система знижує навантаження на юристів на 60% і працює 24/7. Середня економія бюджету юридичного департаменту становить до 60%: при річному бюджеті від 2 млн рублів це понад 1 млн рублів на рік. Нижче — технічні деталі реалізації.

Як AI Legal Assistant аналізує договори?

Ядро системи — RAG поверх нормативної бази (ЦК, ТК, ПК, галузеві закони). Документи фрагментуються по абзацах з перекриттям 20% для збереження контексту. Використовуються ембендінги text-embedding-3-large або multilingual-e5-large для російськомовних текстів. Векторне сховище — pgvector (PostgreSQL) або Weaviate для production-навантажень. Гібридний пошук BM25 + dense retrieval з RRF-ранжуванням: він у 2 рази точніший за чистий семантичний пошук.

Модуль аналізу документів обробляє договори, позови та корпоративні документи: структурне вилучення сторін, предмету, строків, відповідальності; виявлення ризикованих клаузул; порівняння з еталонними шаблонами; генерація правових висновків.

Чому варто впровадити цифрового юриста вже зараз?

Типові ризики, які система знаходить у договорах: необмежена відповідальність без cap, односторонній порядок зміни умов, відсутність форс-мажорних застережень, порушення антимонопольного законодавства. Для кожного ризику вказується пункт договору, посилання на норму та варіант редакції. Наші замовники відзначають скорочення часу на перевірку договору з 4 годин до 20 хвилин.

Стек і архітектура

Fine-tuned LLaMA на on-premise показує latency p99 у 2 рази нижче, ніж GPT-4o, при порівнянній якості. Детальніше про технологію RAG: Retrieval-Augmented Generation

Pipeline аналізу договору:

[Завантаження документа]
    → [Витяг тексту: pdfminer / unstructured]
    → [Структурний парсинг: секції, статті, пункти]
    → [LLM extraction: сторони, предмет, ключові умови]
    → [Пошук у НПА-базі: релевантні норми]
    → [Risk scoring: аналіз клаузул за чек-листом]
    → [Генерація висновку: Markdown / DOCX]
    → [Зберігання у векторній БД для подальшого пошуку]

Ключові модулі системи

Система правових висновків реалізується через ланцюжок промптів: extraction chain → analysis chain → risk chain → recommendation chain. Кожен ланцюжок використовує few-shot приклади з реальних анонімізованих висновків для професійного тону.

Виявлення ризиків — модель навчається на чек-листі типових ризиків і порівнює з кращими практиками: наприклад, рекомендує обмежити відповідальність cap (ліміт у X річних зарплат), а не нескінченну солідарну відповідальність.

Робота з юрисдикцією — промпти явно вказують юрисдикцію, а RAG-база сегментується за територіальною ознакою. Російське, українське, білоруське право — різні кодекси та судова практика. Для міжнародних контрактів додається модуль порівняльного правознавства.

Інтеграції та безпека

• 1С:Підприємство — двостороння синхронізація через REST API
• Діадок / СБІС — отримання ЕДО-документів для аналізу
• Microsoft 365 — плагін для Word
• Telegram / Slack — сповіщення про зміни в законодавстві

Безпека: on-premise розгортання LLM (LLaMA, Mistral) для виключення передачі даних третім сторонам; шифрування at rest (AES-256) та in transit (TLS 1.3); role-based access control; повний audit log; автоматична деперсоналізація для тестових середовищ.

Точність та гарантії

Кожне посилання на нормативний акт верифікується через пошук в базі: якщо норма не знайдена, система позначає твердження як неперевірене. Ми гарантуємо ці метрики на основі досвіду 25+ впроваджених проєктів. Середня економія бюджету юридичного департаменту становить до 60%.

Процес впровадження та строки

Від 6 до 10 місяців залежно від складності. Етапи:

Місяць 1–2: Формування нормативної бази, налаштування RAG, базовий Q&A за законодавством.

Місяць 3–4: Модуль аналізу договорів, інтеграція з документообігом.

Місяць 5–6: Генерація висновків, risk scoring, моніторинг законодавства.

Місяць 7–8: Інтеграції (1С, ЕДО), інтерфейс для юристів, навантажувальне тестування.

Місяць 9–10: Пілот з реальними користувачами, ітерації за якістю, промисловий запуск.

Що входить у роботу

• Архітектурна документація та опис стеку.
• Доступ до веб-інтерфейсу та REST API.
• 2-денний воркшоп для юристів.
• 3 місяці технічної підтримки після запуску.
• Оновлення бази знань при змінах законодавства.

Зв'яжіться з нами для оцінки вашого проєкту. Отримайте консультацію з впровадження AI Legal Assistant. Інвестиції в систему окупаються за рахунок скорочення часу юристів та зниження ризиків.

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.