От ручного поиска операций — к автоматическому анализу документов

В работе с документами есть задачи, которые не требуют сложных управленческих решений, но при этом отнимают огромное количество времени.

Хороший пример — анализ банковских выписок.

В рамках процедуры банкротства физического лица арбитражный управляющий получает информацию обо всех банковских операциях должника за последние три года. Банков может быть несколько, документов — десятки и сотни, а сами выписки поступают в совершенно разных форматах: PDF, Excel, графические файлы, сканы бумажных документов. Даже один и тот же банк может предоставить информацию в разных форматах.

Задача на первый взгляд простая: найти среди этого массива определённые операции. Например, все расходные операции от 10 000 рублей. Порог при этом может быть любым и определяется самим пользователем.

Задача простая, но весьма трудозатратная. Специалисту приходится последовательно открывать документы, просматривать операции, проверять суммы и переносить нужную информацию в отдельную таблицу. В зависимости от объёма документов такая работа может занимать от нескольких часов до нескольких дней. При этом остаётся человеческий фактор: при работе с большим массивом однотипной информации отдельные операции можно просто пропустить.

Кейс: автоматизация анализа банковских операций

С учетом всех требований заказчика мы разработали решение, которое автоматически обрабатывает банковские документы и формирует готовый перечень операций по заданным пользователем параметрам.

Задача системы — не просто распознать текст банковской выписки. Необходимо принять большой массив разнородных документов, извлечь из них информацию, определить банковские операции, найти среди них соответствующие заданным критериям и представить результат в форме, удобной для дальнейшей работы.

Для этого используется сразу несколько технологий искусственного интеллекта и интеллектуальной обработки документов. Оптическое распознавание символов — OCR (Optical Character Recognition) — позволяет работать в том числе со сканами бумажных документов. Для анализа и классификации информации используются технологии обработки естественного языка — NLP (Natural Language Processing) — и большие языковые модели — LLM (Large Language Models). Они дополняются программными алгоритмами и заданными бизнес-правилами.

В нашем случае система выявляет расходные операции двух основных типов: переводы физическим или юридическим лицам и траты. Пользователь самостоятельно определяет минимальную сумму операции, которая должна попасть в итоговую выборку.

Как мы построили систему

1. Загрузка документов без предварительной подготовки.

В личный кабинет можно загрузить отдельные файлы, набор файлов или один архив. Внутри архива могут находиться папки, другие архивы и файлы с любым уровнем вложенности.

Пользователю не нужно предварительно сортировать документы или приводить их к единому формату. Более того, вместе с банковскими выписками можно загрузить и другие документы — система самостоятельно определит их тип и распределит по соответствующим категориям.

2. OCR, распознавание и интеллектуальный анализ документов.

Система работает с PDF, Excel, изображениями и отсканированными бумажными документами. OCR позволяет распознавать информацию в сканах, после чего данные извлекаются и приводятся к единой структуре для дальнейшего анализа.

Затем система анализирует банковские операции и применяет заданные пользователем параметры. Например, находит все расходные операции от 10 000 рублей.

При этом задача значительно сложнее обычного поиска суммы в тексте. Необходимо определить саму операцию, её тип и связанную с ней информацию. В том числе для обработки неоднозначных случаев используются возможности LLM.

3. Формирование единого результата.

Итогом анализа становится Excel-файл. На первой вкладке находится полный перечень найденных расходных операций с указанием типа операции и всей информации, содержащейся о ней в исходной банковской выписке.

Для каждой операции сохраняется связь с первоисточником: в таблице есть кликабельная ссылка на исходный файл и указано конкретное место, где была найдена операция — страница PDF или строка Excel.

Пользователь в любой момент может перейти к первичному документу и проверить результат работы системы.

4. Контроль полноты обработки.

В подобных задачах важно не только найти нужные операции, но и быть уверенным, что обработан весь массив документов.

Поэтому результат включает дополнительные вкладки со статистикой, перечнем исключённых операций и служебной информацией. Система также формирует архив всех загруженных документов, автоматически распределённых по четырём папкам.

В результате заказчик получает не просто «ответ нейросети», а структурированный и проверяемый результат обработки всего массива документов.

Что это даёт заказчику

Главный эффект — время.

Большой массив банковских выписок, ручной анализ которого может занимать часы или даже дни, система обрабатывает за минуты.

При этом заказчик получает:

• единый перечень операций по заданным параметрам;
• автоматический анализ банковских выписок разных форматов;
• снижение риска пропустить нужную операцию;
• возможность проверить каждую найденную операцию непосредственно в первичном документе;
• статистику для контроля полноты обработки;
• автоматически отсортированный архив исходных документов.

Вместо нескольких часов или дней механической работы — несколько минут автоматической обработки и готовый результат, с которым можно сразу работать.

Именно в таких задачах особенно хорошо виден практический эффект применения искусственного интеллекта, OCR и LLM для автоматизации работы с документами: технология берёт на себя обработку большого массива информации, а человек получает структурированные данные для дальнейшей профессиональной работы.