Впервые языковая модель на службе Счетной палаты

Уникальный опыт Ямало-Ненецкого Автономного округа была презентована на ХХ Всероссийском Форуме-выставке «ГОСЗАКАЗ» в апреле 2025 года.

Об опыте внедрения и использования нейросетевых технологий в деятельности Счетной палаты доложил Прокопий Сметанин, главный эксперт по цифровизации Счетной палаты ЯНАО:

– Первое, с чего мы начали – провели опрос среди сотрудников, знают ли они о нейросетях? Что именно они хотят автоматизировать и физически улучшить в контрольной работе при помощи нейросетей?

Большинство специалистов знает об существовании ИИ, но не представляет, как применить его функционал для пользы дела.

Потенциальные зоны применения ИИ в контрольно-надзорной деятельности:

• Автоматизация анализа документов,
• Подготовка отчетов,
• Помощь в написании текстов,
• Улучшенный поиск информации.

Проанализировав эти данные, в ЯНАО приступили к реализации проекта. Обучение разделили на две формы:

• Базовый курс по азам для начинающих в рамках повышения квалификации на сервисе эксклюзивной образовательной платформы (содержит множество примеров и заданий из практики, помогающих закрепить материал).
• Очные занятия малыми группами для решения реальных задач контроля при помощи общедоступных нейросетей в их российской и зарубежных версиях.

Самым уязвимым местом, оказалась тема персональных данных и коммерческой тайны. Как правило, тот кто пользуется бесплатным ИИ, платит за это информацией. Принимая это условие как отправную точку, эксперты региональной Счетной палаты осознанно избегают передачи нейросетям данных, содержащих юридическую конкретику и закрытую служебную информацию. Под запретом: результаты проверок, чужие платежные документы, номера счетов, данные НДФЛ выгрузки из 1С и т.д.

Практические примеры использования ИИ в контроле

Один из самых распространенных способов является визуализация данных. Часто, в отчетной аналитике приходится «подсвечивать» те или иные показатели через графики и диаграммы. Рисование этих моделей проще поручить искусственному интеллекту. С этой работой неплохо справляется ИИ, автоматически подбирая подходящее визуальное оформление. Скажем, инфографика по видам нарушений, зафиксированных в пределах субъекта за год.

Следующий кейс – проверка документов на соответствие требованиям. Из открытой части ЕИС в сфере закупок, скачивается контракт, затем он подгружается в нейросеть с запросом: «Выяви нарушения и предложи рекомендации по их устранению». Прикладывается перечень нормативно-правовых и подзаконных актов, с которыми требуется сравнить закупочную документацию на соответствие требованиям. Для каждого госконтракта перечень документов будет разным, исходя из его отраслевой специфики.  Галочка «искать в интернете» творит чудеса. ИИ анализирует госконтракт, подтягивая историю о всех прежде состоявшихся нарушениях по схожим концептам. На выходе получается перечень нарушений (если они присутствуют) с указанием конкретных пунктов и даже рекомендации по их устранению.

Довольно частым нарушением, выявляемым таким образом, является несоответствие товара при приемке и ограничение конкуренции. К тому же, характеристики, указываемые в технических заданиях, специфичны: что требует от проверяющего наличия профильных знаний. Перед контролером стоит непростая техническая задача: удостовериться в том, что наименование товара верно, имея лишь его характеристику. Особенно запутанные истории возникают при закупках серверного оборудования, по которым применяется множество модификаций, подходящих под различные характеристики. Эту работу можно доверить нейросети, при этом не рискуя засветить юридически значимую информацию. Берутся характеристики из ТЗ, подгружаются в нейросеть, которая изучает эти характеристики и называет модель сервера, который с точностью 99% подходил бы под них. Методом сравнения данных из открытых источников ИИ оперативно проделает эту работу, «выследив» модель, оптимально подходящую под указанные требования. Примечательно, что несколько разных нейросетей объективно вычисляют одну и ту же модель сервера, затрачивая на сравнительный анализ не более пяти минут.

Крайне важная опция для ИИ – анализ ценовых предложений. Когда дело доходит до конъюнктурного анализа коммерческих предложений, их количество может переваливать за тысячу. Такой объем данных контролер обработать зачастую не в состоянии в силу человеческого фактора. Можно пользоваться специализированными инструментами математического анализа, но если эксперту ранее не приходилось с ними сталкиваться, то задача усложняется. Освоение навыка работы с ними займет продолжительное время. Гораздо проще и быстрее воспользоваться ИИ.

– В первую очередь, мы выполняем предварительную обработку данных. Берем наш конъюнктурный анализ, отсекая все лишнее. Оставляем только те поля, с которыми предстоит работать нейросети. Далее подгружаем наш конъюктурные анализ в ИИ с запросом. Для каждого товара разделить диапазон цен на минимальное и максимальное значение, сравнить минимальное с максимальным – и если разница между ними 30% и более, – то вывести разницу в отдельный столбец под грифом «отклонения». ИИ формирует итоговую таблицу, куда включаются только позиции, имеющие отклонения. Поля итоговой таблицы – это порядковый номер, наименование, минимальная/максимальная стоимость и отклонения.

Можно на этом не останавливаться и попросить искусственный интеллект сделать выводы на основе полученных результатов.

Например, по таким позициям как «песок» были выявлены зашкаливающие ценовые отклонения более чем в тысячу процентов. Выводы нейросети выглядят вполне объективно: «включение в коммерческое предложение неочевидных услуг, логистика, хранение материалов, возможно сезонное повышение цен или ошибки в данных».

Аналогичное высокое отклонение 300% по позиции «канат из проволоки двойной свивки». Выводы ИИ: «использование дешевых сплавов или вторичного сырья, указание цены за штуку вместо партии, искусственное занижение цены для привлечения клиентов, наличие скрытых условий».

– Конечно же, эти выводы предстоит еще проверить, – поясняет Прокопий Сметанин. – Они либо подтвердятся, либо будут опровергнуты. Однако факт в том, что за 15 минут мы провели анализ свыше двух с половиной тысяч коммерческих предложений. Ранее на эту работу уходил весь рабочий день.

Несмотря на то, что общедоступные формы ИИ покрывают очень широкий диапазон задач контролера, в Счетной палате ЯНАО все же столкнулись с необходимостью разработки собственных автономных сетей.

– Нам потребовались инструменты, учитывающие специфику Счетной палаты нашего округа. А также – способные обрабатывать конфиденциальные и (в первую очередь) персональные данные без риска их утечки и компрометации. На текущий момент нами разработаны и внедрены три модели, – рассказал эксперт.

• Генератор гипотез. Пользователь (сотрудник СП) загружает наименование предстоящей проверки в автономную нейросеть. ИИ, отталкиваясь от опыта предыдущих проверок, генерирует для нее десять уникальных гипотез. А также задачи, рассматриваемые в рамках каждой из гипотез и подробный план проверки с шагами и теми документами, которые требуется запросить в рамках каждой гипотезы.
• Работа с документами. Модель обучена на ключевых документах Счетной палаты ЯНАО (стандарты, регламенты, внутреннее региональное законодательство о Счетной палате и прочие методические документы). ИИ предоставляет юридические консультации по этим документам. Сотрудник (пользователь) может обратиться с вопросом по теоретической части, как если бы он планировал задать его юристу: и получит развернутый ответ в режиме полноценной консультации. Поиск и формулировка ответа осуществляется из тех документов, на которых была обучена нейросеть. Ответ содержит отсылки к нормативной базе по пунктам.
• База мероприятий. Существует библиотека всех активностей Счетной палаты округа в прошлом, настоящем и будущем. Это большая база данных, которая содержит множество полей, строк и характеристик. С каждым мероприятием этот информационный балласт только растет. Из-за чего становится недружелюбным по отношению к пользователю. Благодаря ИИ сотрудник получает «окошко» в регистратуре этой картотеки. Допустим, можно получить информацию по числу завершенных мероприятий, о событиях, поставленных в резерв, об объектах контроля… Можно вывести топ объектов контроля за конкретный временной период. Есть сортировка по типам выявленных нарушений, по персоналиям сотрудников, участвовавших в проверках.

– Говоря о перспективных направлениях развития ИИ в деятельности Счетной палаты, мы бы выделили четыре области. – отметил Прокопий Сметанин. – Автоматическая классификация нарушения – речь идет об анализе актов проверки с автоматической разметкой нарушений по классификатору. То есть, мы подгружаем акт проверки в ИИ, он изучает его, автоматически маркирует найденное нарушение и определяет его в соответствии с классификатором. Второй перспективный сервис – формирование черновиков отчетов из актов проверки. Значительно ускорит процесс подготовки отчетных документов. Третье перспективное направление – формулирование требований и рекомендаций. В зависимости от того как ИИ классифицировал нарушение, будет предложен порядок действий, исходя из единого подхода на основе предыдущего опыта. Четвертое – создание внутренней базы знаний.

В последнем пункте, по словам эксперта, речь идет об обучении модели на основе всех актов проверок с учетом всего ранее наработанного опыта Счетной палаты ЯНАО.

Таким образом, в ЯНАО начали строить собственную нейросеть, способную консультировать сотрудников от лица опытного эксперта.

Автор: Артур Королев