Як RAG та LLM автоматизують compliance-перевірки

Ручна перевірка сотень сторінок договорів на відповідність регуляторним вимогам — це повільно, дорого та загрожує помилками. Юристи витрачають до 40% часу на монотонний аудит, а зміни в законодавстві виходять щотижня. Ми спроектували AI-систему, яка автоматизує compliance-перевірки за допомогою RAG та LLM, скорочуючи час аудиту в 20 разів і знижуючи ризики штрафів. Система працює в цілодобовому режимі, обробляючи до 1000 сторінок на день, і не потребує постійної участі людини.

Навіть досвідчений compliance-офіцер не може встежити за всіма змінами: у РФ прийнято понад 600 нормативних актів. Людський фактор призводить до пропуску 15–20% порушень. AI-система вирішує цю проблему через автоматичний gap-аналіз, моніторинг змін з алертами та єдину базу знань у RAG-репозиторії. Точність перевірки досягає 95% для типових документів (договори, політики) завдяки fine-tuning на юридичних корпусах та few-shot промптам.

Чому ручна перевірка compliance перестала працювати?

Обсяг регуляторної бази зростає експоненційно. За даними ЦБ РФ, кількість роз'яснень щодо 115-ФЗ збільшилася на 30% за рік. Навіть штат із п'яти compliance-офіцерів не в змозі відстежити всі зміни вручну. Основні проблеми:

• Витрати часу — на перевірку одного договору (50 сторінок) йде 4–6 годин.
• Пропуск порушень — людська неуважність дає 15–20% браку.
• Застарілі бази — оновлення нормативів раз на квартал, хоча акти змінюються щодня.

Як AI-система перевіряє compliance?

Ключовий компонент — RAG (Retrieval-Augmented Generation). На кожен документ система шукає релевантні нормативні вимоги, а потім LLM формує структуровану відповідь.

class ComplianceCheck(BaseModel):
    document_type: str
    jurisdiction: str
    violations: list[Violation]
    warnings: list[Warning]
    compliant_aspects: list[str]
    overall_status: Literal["compliant", "minor_issues", "violations", "critical_violations"]
    applicable_regulations: list[str]
    recommendations: list[str]

def check_compliance(document_text: str, doc_type: str, jurisdiction: str) -> ComplianceCheck:
    regulations = regulation_rag.search(
        f"{doc_type} compliance requirements {jurisdiction}",
        top_k=10
    )
    return llm.parse(
        build_compliance_prompt(document_text, regulations, doc_type),
        response_format=ComplianceCheck
    )

Які метрики продуктивності?

Порівняння: ручна перевірка vs AI-система

Архітектура RAG-системи compliance

База нормативних документів будується на векторній БД (Qdrant) з ембеддингами 1536-dim. Джерела:

• Федеральні закони та підзаконні акти
• Регуляторні вимоги ЦБ, ФАС, Росспоживнагляду
• Технічні регламенти ТР ТС
• Міжнародні стандарти (ISO, IFRS, SOX)
• Роз'яснення та листи регуляторів

Оновлення: підписка на офіційні правові бази (КонсультантПлюс, Гарант) з автоматичною індексацією нових документів. Для кожного акта оцінка впливу: які внутрішні процедури потрібно змінити? Алерт відповідальним особам.

Кейс: автоматизація compliance в банку. Банк з 50 тис. внутрішніх документів вимагав щоквартальної перевірки 10 тис. договорів. Ручний аудит займав 3 місяці та виявляв 18% порушень. Після впровадження AI-системи: час перевірки — 5 днів, відсоток пропуску — 3%.

Що входить в роботу

1. Аудит поточних нормативних документів — складання переліку застосовних регуляцій.
2. Побудова RAG-бази — очищення, chunking, індексація сотень документів.
3. Розробка промптів та валідація — налаштування LLM під конкретні типи compliance-завдань.
4. Інтеграція з документообігом — REST API для автоматичного завантаження документів та отримання результатів.
5. Дашборд для compliance-officer — візуалізація статусів, історія перевірок, оповіщення.
6. Навчання команди — документація, вебінари, підтримка 3 місяці.

Досвід нашої команди: 5+ років в AI/ML, понад 20 впроваджень NLP-систем, у тому числі для юридичних департаментів фінансового сектора. Ми гарантуємо відповідність вимогам 152-ФЗ та GDPR при обробці персональних даних. Отримайте консультацію з адаптації системи під ваші юрисдикції — ми оцінимо обсяг документів та запропонуємо оптимальне рішення. Замовте розробку – зв'яжіться з нами для обговорення деталей.

Строки реалізації

Як замовити розробку

Залиште заявку на нашому сайті — ми оцінимо ваш обсяг документів, кількість юрисдикцій та пріоритетні області compliance. Зв'яжіться з нами, щоб обговорити деталі та отримати комерційну пропозицію протягом 2 днів.

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.