Последние два года словосочетание «искусственный интеллект» не сходит с повестки ни одного отраслевого совещания. Однако под ним, как правило, подразумевают один инструмент — большую языковую модель вроде ChatGPT или ее отечественных аналогов. Это большое упрощение, которое мешает принимать взвешенные решения о том, что именно автоматизировать, какими средствами и за какие деньги.
Николай Валерьевич Смирнов, руководитель департамента разработки техплатформы НПО «Криста»
Пять семейств инструментов
Термин «искусственный интеллект» означает обширную дисциплину, объединяющую сотни методов. Нынешний подъем интереса — уже третий по счету. Его отличие от предыдущих не в новых идеях, а в колоссальном росте объема данных и вычислительных мощностей.
Введем условную классификацию инструментов ИИ: разделим на пять семейств по типу решаемой задачи.
Рисунок. Пять семейств инструментов искусственного интеллекта в госфинансах. Классификация ИИ по типу решаемых задач1. Классическое машинное обучение (ML)
Алгоритм анализирует исторические данные и находит в них статистические закономерности. Это прогнозирование доходов бюджета, оценка риска неисполнения плана, скоринг получателей субсидий. Методы этой группы требуют накопления исторических данных, подготовки и обучения моделей на них. Это кропотливая работа, зато в эксплуатации эти методы относительно дешевы, хорошо интерпретируемы и давно устоялись в практике.
2. Компьютерное зрение
Алгоритмы анализируют изображения и документы: распознают текст, таблицы, подписи. Практический пример: автоматическое считывание реквизитов из авиабилетов, гостиничных счетов и маршрут-квитанций при оформлении авансового отчета. Документ загружается в виде фото или PDF, система сама извлекает даты, суммы и маршруты. Как правило, требует кропотливой ручной или автоматизированной разметки данных, которые будут использоваться при обучении моделей, что компенсируется скромными требованиями к инфраструктуре.
3. Обработка естественного языка (NLP)
Извлечение структуры из неструктурированного текста без обязательного использования «больших» моделей. Разбор заявок, классификация обращений граждан по теме и срочности, извлечение реквизитов из договоров — все это решают компактные специализированные модели, не требующие мощной инфраструктуры. Также модели этого типа предобучены и не требуют специальной подготовки своего массива данных для обучения.
4. Большие языковые модели (LLM)
Генеративные нейросети, обученные на сотнях миллиардов текстовых фрагментов. Умеют поддерживать диалог, составлять черновики документов, резюмировать объемные материалы, объяснять нормативные акты «человеческим языком». Именно эта группа инструментов сегодня считается синонимом «ИИ» в массовом восприятии. Их главный недостаток — дорогостоящая и сложная инфраструктура. Однако LLM в чистом виде не способны решать комплексные задачи по обработке и анализу данных, требующие обращения к разным источникам или многошагового анализа.
5. Агентные системы
Это не отдельная модель, а архитектура. Языковая модель выступает «мозгом», а вокруг нее выстраиваются инструменты: поиск в базах данных, вызовы API ГИС и других информационных систем. Такая система самостоятельно планирует последовательность шагов, проверяет промежуточные результаты и передает спорные случаи на суд человека. Агентные архитектуры — следующий качественный шаг после простого использования LLM. Агентные системы не являются универсальным инструментом, а строятся под конкретные задачи, поэтому их разработка достаточно сложна. Но и получаемый эффект может дать серьезный прорыв в автоматизации целого процесса, а не одной маленькой задачи.
Ключевой практический вывод: выбор инструмента должен следовать из задачи, а не из моды. Для многих задач госуправления классические методы ML или специализированные NLP-модели окажутся эффективнее, дешевле и понятнее в части контроля качества, чем тяжелая языковая модель.
Возможности и ограничения
LLM произвели революцию за счет масштаба обучения, широкого охвата тем и доступности: пользователю не нужно знать язык запросов — достаточно сформулировать задачу на естественном языке. Однако у этих моделей есть принципиальные ограничения, о которых потребителю необходимо знать.
Галлюцинации. Модель генерирует текст грамотный, но не всегда фактически точный. Она может уверенно сослаться на несуществующий нормативный акт. В бюджетной сфере, где ссылка на конкретный пункт документа критична, это серьезный риск.
Закрытые данные. LLM знает только то, что попало в обучающий корпус. Она не имеет доступа к внутренним системам организации, живым данным учета и актуальным редакциям регламентов. Это ограничение снимает переход к агентной системе.
Безопасность. Публичные облачные LLM принимают запросы через интернет. Чувствительная государственная информация не может покидать защищенный контур — это нормативное требование, а не рекомендация. Именно поэтому крупные российские провайдеры (GigaChat, YandexGPT и другие) предлагают развертывание моделей on-premise — на собственной инфраструктуре заказчика. Однако, как правило, модели, устанавливаемые на оборудовании заказчика, заметно слабее. Это уравновешивается адаптацией их под решение конкретных задач, а также использованием агентных систем с компенсацией ошибок.
ИИ в действии: примеры из практики
Чтобы показать, как описанные инструменты работают в реальных задачах, приведем четыре сценария из реальных систем.
1. Справочная система на базе RAG
Одна из наиболее востребованных задач — быстрый поиск ответа в нормативной базе или регламентах учреждения. Архитектура RAG (Retrieval-Augmented Generation) позволяет языковой модели не «придумывать» ответ из общих знаний, а сначала находить релевантные фрагменты во внутренней базе документов и лишь затем формулировать ответ с обязательной ссылкой на источник. Сотрудник задает вопрос на естественном языке, система находит нужный пункт инструкции или НПА и возвращает конкретный ответ. Такой подход снижает нагрузку на службу поддержки и уменьшает число ошибок из-за незнания актуальной редакции документа.
2. Система протоколирования совещаний
Совещания — главный канал постановки задач в государственном управлении, однако ручное протоколирование занимает часы. Агентная система принимает аудио- или видеозапись, расшифровывает ее, разделяет выступления по участникам, формирует резюме по каждому спикеру и извлекает перечень поручений с ответственными и сроками. Поручения фиксируются немедленно и автоматически передаются в систему контроля исполнения — ничего не теряется, история хранится и доступна для поиска.
3. Разбор командировочных документов
При оформлении авансового отчета сотрудник загружает фотографии или PDF-файлы билетов, гостиничных счетов и маршрут-квитанций. Модель, объединяющая компьютерное зрение и NLP, распознает реквизиты документов любого перевозчика или гостиницы, определяет тип документа и автоматически заполняет соответствующие поля отчета. Точность распознавания превышает 95%, а скорость обработки документов возрастает в разы.
4. Прогнозирование доходов бюджета
Вывод
ИИ — не единый продукт, который можно «внедрить» раз и получить результат. Это набор инструментов с разными характеристиками, стоимостью и требованиями к данным. Прежде чем выбирать инструмент, необходимо ответить на вопросы: какую конкретно операцию мы автоматизируем — стандартизированную или творческую, есть ли у нас качественные исторические данные, кто несет ответственность за решение, принятое с участием алгоритма? Только тогда применение ИИ будет эффективным.
Поделиться:
