Разработана интеллектуальная платформа поддержки процессов юридического консалтинга со встроенным роботизированным сервисом поддерживающей экспертной системы. На базе технологий машинного обучения позволяет легко автоматизировать процесс юридического консалтинга в сферах B2B и B2C в части анализа судебной практики относительно заявленного случая и помощи в выработке рекомендаций по ведению судебного процесса.

Технологически продукт проекта представляет из себя платформу, которая состоит из нескольких уровней, обеспечивающих техническую реализацию полного набора услуг по информированию, консультации и генерированию рекомендаций пользователю.
Во-первых, это уровень технических решений доступа к информации и актуальным решениям в правовой системе. Во-вторых, уровень приложений, которые исполняются на платформе и предоставляют конечную услугу. В-третьих, уровень сервисов. В этом случае, клиент прикладывает минимум усилий по интеграции решения. Консалтинг, внедрение, поддержку обеспечивают поставщик сервиса и сама платформа.
1. Технологическая платформа. Аппаратная инфраструктура (серверы, внутренняя сеть, подсистемы хранения, резервирования и восстановления данных). Два сервера располагаются в облачной виртуальной инфраструктуре (IaaS). Резервные копии серверов делаются ежемесячно средствами провайдера:
• vCPU 8, RAM 24, HDD 125
• vCPU 2, RAM 4, HDD 50
Программная инфраструктура (операционные системы, СУБД, управление приложениями и вспомогательными утилитами) Системы состоит из следующих компонентов:
• Модули взаимодействия с Клиентом: SMS, Web и USSD. Модуль USSD имеет сложную конструкцию, так как поддерживает с Клиентом интерактивный диалог штатными средствами USSD протокола, предоставляемого Оператором связи. Действия модуля USSD логируются.
• Модуль Контроллеров. Модуль содержит в себе набор Контроллеров - программных объектов, осуществляющих обработку запросов Клиента и формирующих Задачи для Исполнительного механизма системы, Сервера очередей и Репозитория. Действия Контроллеров логируются. Число активных контроллеров меняется динамически, в зависимости от выполняемой Задачи. Каждый контроллер содержит в себе набор команд API, выполнение которых и осуществляет информационное взаимодействие с другими компонентами ПО Системы.
• Набор команд API, представляет собой внутренний API-интерфейс, который позволяет управлять (запускать, удалять, изменять состояние) любым процессом Системы без обращения к контроллеру.
• Репозиторий - БД Системы, управляется Администратором, хранит информацию, получаемую от модулей Контроллеров и Менеджеров. Действия c репозиторием логируются.
• Модуль Администрирования - интерфейс Администратора Системы, позволяет управлять правилами, просматривать часть данных из БД (посредством Репозитория), а также ставить Задачи на Сервер очередей. Действия Администратора логируются. • Модуль Логирования - компонент, сохраняющий в своей БД информацию о деятельности других компонентов Системы.
• Сервер очередей. Данный компонент содержит очереди с обрабатываемыми Задачами, обеспечивает движение Задач по очередям, перенос Задач из очереди в очередь, логирование совершаемых операций. Задачи могут помещаться в очереди принудительно Администратором.
• Компонент Менеджеров: Данный модуль содержит в себе динамически запускающиеся классы, выполняющие различные стадии обработки Запроса пользователя (далее - Запроса). Менеджеры могут ставить Задачи для Сервера очередей или размещать результаты своей работы в Репозитории, а также передавать их друг другу, запускаясь последовательно. Действия компонента Менеджеров логируются.
Платформа использует:
• Ubuntu Server 14.04 LTS
• Nginx/1.4.6 (Ubuntu)
• MySQL Ver 14.14 Distrib 5.5.49
• PHP 5.6.23
• Ubuntu Server 18.04 LTS
• Nginx/1.14.0 (Ubuntu)
• MySQL Ver 14.14 Distrib 5.7.25
• PHP 7.2.17

Разработано собственное программное обеспечение.
Среди возможностей:
• сегментирование судебных дел на группы;
• оцифровка любой информации;
• формирование динамических сценариев консультаций на основе собранной информации; и др.

Разработана система управления Big Data, которая интегрирована и подключена к системе и постоянно с ней синхронизируется. Сервисы могут работать напрямую с системой, либо с Big Data . Такой подход позволяет использовать содержащуюся в накопленных объемах данных важную информацию о рассматривыемых делах и их участниках. Система позволяет успешно применить эту информацию, и обеспечить значительное преимущество в предостоящем процессе за счет предложения лучшего порядка действий и шаблонов документов. ИТ-инфраструктура способна обеспечить необходимую емкость систем хранения, процессы обмена данных, утилиты и приложения, необходимые для обработки и анализа больших массивов неструктурированных данных для извлечения из них ценной информации. 

Сервисы платформы
• Модуль «Неразобранное» позволяет обрабатывать любые объекты, привести информацию к единому виду и отправить её на сервис - данные полностью отражаются в базе данных.
• Используется GLPI трекер, создано отдельное подразделение по решению проблем. Для отслеживания запросов/инцидентов пользователей используется ITSM система «Omnitracker». Для выяснения технических вопросов, используется «Модуль администратора».

Open API.
Платформа создана на виртуальном сервере, что позволяет в любой момент увеличить ресурсы сервера на любой порядок. Структура базы данных организована таким образом, что позволяет расти ресурсу без потери производительности. Платформа имеет открытое API и в зависимости от задачи может принимать запросы (POST-запросы) и отдавать (GET-запросы). 

 Сервисы и интеграции.
• Динамические сценарии разговора. Это уникальный инструмент для поддержки активного диалога при общении с пользователя. Программа-робот в соответствии с заранее заложенным алгоритмом формирует сценарий разговора с учетом опыта уже завершившихся дел и их резульаттов.  

Платформа предоставляет уникальный сервис для поддержки активного диалога о при общении с пользователем. Программа-робот формирует сценарий разговора с учетом опыта. В основе данного сервиса лежат технологии машинного обучения, а именно RNN (рекуррентная нейронная сеть). Общий критерий обучения. В качестве метрик качества использовалась ROC-кривая, площадь под ее графиком (ROC-AUC), а также Precision Recall-кривая и соответствующая площадь под графиком (PR-AUC, или же AP — Average Precision). Для получения количественных оценок выбранных метрик (ROC-AUC и PR-AUC) использовалась кросс-валидация. Выборка разбивается на n блоков, затем на каждой итерации i-й блок используется в качестве тестового (на нем вычисляются соответствующие метрики), а обучение производится на всех остальных. По окончанию процедуры в качестве итоговых значений ROC-AUC и PR-AUC брались усредненные по всем итерациям значения. При этом в дальнейшем все графики ROC и PR кривых были приведены для медианных с точки зрения AUC итераций. Для обучения рекомендательной системы использовался корпус сценариев, накопленный в опубликованных судебных практиках. 

Полученные значения метрик качества обучения позволяют судить о том, что полученная модель рекомендательной системы может быть использована на практике.

На страницу проекта