Проблема бизнеса
Ручной анализ текстов банковских гарантий занимал от 30 до 60 минут на один документ. Это тормозило процесс выдачи гарантий, снижало скорость обслуживания клиентов и повышало риски ошибок из-за человеческого фактора.
Цель проекта
Сократить время обработки банковских гарантий, повысить точность и качество анализа условий договора, минимизировать риски и ускорить процесс согласования.
Что было сделано
Мы разработали внутренний AI-сервис, который автоматически извлекает ключевые реквизиты из гарантий и оперативно выявляет потенциально рискованные условия. Благодаря этому банк получил возможность быстрее принимать решения и снижать операционные издержки, переводя большую часть проверок в автоматический режим.
Техническое решение
- Создан микросервис на Python с использованием FastAPI, запущенный в защищённом Docker-контейнере внутри инфраструктуры банка.
- Внедрена гибридная ML-модель, основанная на трансформерах (BERT/GPT) и классических NLP-алгоритмах, для:
— Классификации и подсветки «некомфортных» условий.
- Предоставлен REST API для интеграции с системами банка через HTTP, FTP или MQTT без хранения данных на стороне сервиса.
Команда проекта
- Проджект-менеджер — 0.5 FTE
- 2 специалиста по Data Science и NLP — 1.5 FTE
- Backend-разработчик — 0.5 FTE
Экономический эффект
- Время анализа одного документа сократилось с 30–60 минут до менее 1 минуты.
- Более 70 % заявок теперь проходят автоматическое согласование без участия сотрудников.
- Точность извлечения ключевых параметров превышает 85 %, recall по выявлению рискованных условий — свыше 90 %.
- Уменьшены операционные риски и значительно ускорена выдача гарантий, что повысило качество клиентского сервиса и снизило издержки банка.
