Содержание
Крупный российский банк с широким спектром услуг: розничное и корпоративное кредитование, инвестиции, дистанционное обслуживание, расчётно-кассовые операции.
О проекте
Реализовано решение на базе ИИ для автоматического извлечения данных из нетиповых бухгалтерских балансов и других финансовых документов. Система интегрирована с АБС и ОМАК для сверки и заполнения атрибутов без участия человека.
Задачи
- Автоматизировать извлечение данных из документов произвольной, нетиповой структуры.
- Сократить время обработки одного пакета документов (ранее 3–5 часов).
- Снизить риск ошибок при ручном заполнении атрибутов в АБС и ОМАК.
- Заложить архитектуру, расширяемую под новые типы документов, включая интеграцию с ELMA.
Этапы реализации
1. Анализ типов документов.
Классификация нетиповых форм балансов и финансовых документов, сбор требований к атрибутам.
2. Разработка моделей OCR/NLP.
Обучение моделей извлечения и структурирования текста под специфику банковских документов.
3. Интеграция с АБС и ОМАК.
Реализация REST API и очередей RabbitMQ для передачи данных, настройка сверки атрибутов.
4. Встраивание в AI Gateway.
Оформление сервиса как переиспользуемого компонента микросервисной архитектуры банка.
5. Тестирование и промышленная эксплуатация.
Проверка точности распознавания на реальных пакетах документов, запуск в проде.
Экспертиза
Product owner, системные аналитики, Java/Python-разработчики, ML-специалисты, data scientists, архитектор, тестировщик.
Технологии
Java, Python, REST API, RabbitMQ, Oracle, Lotus Notes, модели OCR и NLP, AI Gateway, микросервисная архитектура.
Результаты
- 70% — сокращено время обработки одного документа.
- 90% — снижено количество ошибок при заполнении атрибутов.
- 15 человеко-часов — освобождается в день для аналитиков.
- Масштабируемая архитектура — подготовлена под новые типы документов, включая ELMA.
Решение забрало у аналитиков самую трудоёмкую часть работы с документами, оставив им проверку исключений вместо ручного ввода.
