Экспертные заключения: 5
Консультации: 0

ReportMasters - мультиагентая интеллектуальная система генерации табличных форм строгой отчетности

Идея проекта:

Создание мультиагентной интеллектуальной системы, которая автоматизирует формирование табличных форм строгой отчётности (бухгалтерской, налоговой, статистической, ведомственной, отраслевой) на основе разнородных исходных данных. Система состоит из ансамбля специализированных ИИ-агентов: агент извлечения данных (парсинг документов, баз данных, API, Excel, сканов), агент нормализации и маппинга (приведение показателей к справочникам и классификаторам), агент валидации (проверка контрольных соотношений, арифметики, регламентных требований), агент генерации формы (заполнение по шаблону, выгрузка в утверждённом формате — XLSX, XML, CSV) и агент сопровождения (объяснение ошибок, подсказки, аудит изменений). Это снижает трудозатраты, минимизирует ручные ошибки и ускоряет подготовку отчётности, что критически важно для бухгалтерий, госорганов, крупных холдингов и отчитывающихся организаций.

Цель на акселератор:
Сформировать и верифицировать работающий прототип мультиагентной системы, который принимает на вход минимум 2–3 типа реальных исходных данных (например, выписки, Excel-реестры и сканы первичных документов), автоматически формирует 2–3 вида табличных форм строгой отчётности с соблюдением контрольных соотношений, и демонстрирует корректность заполнения не ниже заданного порога, а также подготовить архитектуру решения для масштабирования на другие формы и пилотного внедрения.

Задачи для достижения цели:

  1. Разработка архитектуры и оркестрации мультиагентной системы: Спроектировать модульную архитектуру (шина сообщений, реестр агентов, оркестратор, хранилище данных, слой интеграций), определить роли и протоколы взаимодействия агентов, выбрать стек технологий (Python, LLM-фреймворки, RAG, OCR, правила валидации) и реализовать базовый сценарий прохождения данных от источника до готовой формы.
  2. Разработка ИИ-агентов извлечения, нормализации и валидации: Настроить пайплайн получения данных из разнородных источников, обучить и валидировать агентов извлечения сущностей (NER, OCR, парсинг таблиц), маппинга показателей на классификаторы и справочники, а также агента проверки контрольных соотношений и регламентных требований.
  3. Создание системы верификации и визуализации: Разработать методику оценки точности (полнота и корректность заполнения полей, число нарушений контрольных соотношений, доля ручных правок) в сравнении с ручным заполнением, создать интерактивный дашборд для отображения исходных данных, трассировки решений агентов, результата заполнения формы и журнала аудита.
  4. Анализ применимости и подготовка бизнес-кейса: Провести анализ чувствительности системы к качеству исходных данных и типу формы, определить сценарии использования (Use Cases) для бухгалтерий, госорганов, холдингов и отраслевых организаций, сформировать roadmap развития продукта за пределами акселератора.

Ожидаемые результаты:

  1. Рабочий прототип мультиагентной системы ReportMasters: Программный комплекс, в котором агенты в автоматическом режиме извлекают, нормализуют, проверяют и формируют табличные формы строгой отчётности, с выдачей готовых файлов и журнала решений через API или веб-интерфейс.
  2. Отчёт по верификации корректности: Документ, содержащий метрики (точность заполнения полей, доля нарушений контрольных соотношений, сокращение времени подготовки, снижение ручных правок) и сравнение с ручным формированием отчётности.
  3. Интерактивный демонстрационный дашборд: Визуальный интерфейс, отображающий исходные данные, работу каждого агента, трассировку решений, итоговую форму и журнал аудита, готовый для показа инвесторам и партнёрам.
  4. Пакет проектной документации: Архитектурная схема мультиагентной системы, описание бизнес-модели, анализ рынка решений для автоматизации отчётности и план дальнейшего развития (roadmap) на 6–12 месяцев.

Проект «ReportMasters — мультиагентная интеллектуальная система генерации табличных форм строгой отчётности» соотносится с национальным проектом технологического лидерства «Микроэлектроника» через уровень «Машины вычислительные электронные цифровые (серверы, компьютерное и периферийное оборудование, контроллеры управления сетью и т.д.)» и элемент «Микроконтроллеры, процессоры, ПЛИС, контроллеры SSD, интерфейсные контроллеры», что соответствует косвенной связи, поскольку система использует вычислительную технику и ИИ-обработку данных для извлечения, нормализации, валидации и генерации табличных форм строгой отчётности, но не создаёт саму микроэлектронную компонентную базу.

Дополнительно проект соотносится:

  • с НПТЛ «Промышленное обеспечение транспортной мобильности» через уровень «Высокоскоростной электропоезд для высокоскоростных магистралей» — тип связи обеспечивающая, поскольку система может формировать формы строгой отчётности для операторов и обслуживающего персонала подвижного состава, интегрируясь с системами контроля и управления;
  • с НПТЛ «Технологическое обеспечение продовольственной безопасности» через уровень «Селекция и генетика в растениеводстве» — тип связи косвенная, поскольку система использует аналогичные подходы машинного обучения и баз данных для предиктивной аналитики и генерации отчётных форм;
  • с НПТЛ «Биоэкономика» через уровень «Средства производства продукции биоэкономики»— тип связи косвенная, поскольку система использует базы данных и программное обеспечение для нормализации показателей и формирования отчётности в отраслях биоэкономики.

Актуальность проекта

  1. Снижение операционных издержек: В текущих процессах до 40% рабочего времени сотрудников уходит на рутинное заполнение и сверку форм, что приводит к выгоранию персонала и необходимости нанимать дополнительный штат для обработки данных.
  2. Минимизация финансовых рисков: Человеческий фактор при работе с Excel и ручном переносе данных вызывает ошибки, которые ведут к штрафам и доначислениям; внедрение системы с точностью разбора таблиц ≥95% критически снижает эти риски.
  3. Рост производительности: Предлагаемое решение сокращает время подготовки отчетности с часов до ≤5 минут на типовой отчет из 10 таблиц, что позволяет перенаправить ресурсы бюджетных учреждений и МСП на стратегические задачи вместо «лоскутной» автоматизации.

1. Проблема

Помимо высокой доли ручного труда (до 40% времени), проблема заключается в «хрупкости» текущих процессов:

  • Динамика требований: Формы отчетности (Росстат, налоговые, ведомственные) меняются ежегодно (иногда ежеквартально). Жестко запрограммированные шаблоны в 1С или Excel ломаются, требуя вызова программиста.
  • Разрозненность данных: Информация для одной формы часто хранится в разных системах (бухгалтерия, кадры, CRM) и в разных форматах (сканы, PDF, почтовые вложения).
  • «Слепые зоны»: Человек физически не может перепроверить тысячи ячеек на логические ошибки (например, сходимость итогов или соответствие контрольным соотношениям ФНС).

1a. Существующие альтернативы

  • Excel: гибко, но крайне высокий риск ошибок (человеческий фактор). Нет валидации данных на лету.
  • 1С: надежно, но дорого. Любое изменение формы — это отдельный проект по доработке конфигурации (от 50 тыс. руб. и выше). Не подходит для нестандартных или разовых форм.
  • Найм дополнительного персонала: дорого, долго (поиск и обучение), не решает проблему квалификации.
  • RPA-роботы (UiPath и др.): работают только по жесткому сценарию. Если изменился шрифт в PDF или структура входного файла — робот падает.

2. Потребительский сегмент

  • Госсектор: вузы (сбор данных по кафедрам, приемная кампания), бюджетные учреждения (здравоохранение, образование), где отчетность строго регламентирована.
  • Частный бизнес: компании с госзаказом (ОПК, строительство, поставщики), которые обязаны сдавать сложные формы в Минпромторг, Минсельхоз и т.д. Средний и крупный бизнес с распределенной структурой филиалов.

2a. Ранние последователи

  • Инновационные вузы: университеты, участвующие в программах «Приоритет-2030» и стремящиеся к цифровой трансформации (им нужно сдавать отчеты быстро и без ошибок).
  • Аутсорсинговые бухгалтерские фирмы: компании, которые ведут отчетность за десятки клиентов и заинтересованы в автоматизации рутины для масштабирования бизнеса.

3. Ценностное предложение

«ReportMasters: Превращаем хаос данных в идеальный отчет за 5 минут».

  • Экономия времени: сокращение рутинных операций в 10–20 раз.
  • Гарантия качества: встроенный «второй пилот» (ИИ-проверка) находит ошибки до отправки в контролирующий орган.
  • Адаптивность: агенты сами «читают» методичку к новой форме и предлагают структуру для заполнения, без участия программиста.

4. Решение

  • Мультиагентная архитектура:
    • Агент-Экстрактор: вытаскивает данные из PDF/Word/сканов (использует OCR + LLM).
    • Агент-Маппер: сопоставляет извлеченные данные с ячейками целевой формы.
    • Агент-Валидатор: проверяет контрольные суммы и логику.
  • Human-in-the-loop: пользователь не заполняет таблицу, а проверяет и утверждает предложенный ИИ вариант.

5. Каналы распространения

  • Прямые продажи (B2G): тендеры, электронные площадки, работа с администрациями вузов.
  • Партнерская сеть: интеграторы 1С, которые могут продавать ReportMasters как дополнительный модуль к своей инфраструктуре.
  • Профильные мероприятия: форум «Цифровая экономика», конференции бухгалтеров и статистиков.
  • Контент-маркетинг: кейсы «Как мы сдали форму Х за 10 минут», вебинары с экспертами.

6. Потоки поступления доходов

  • B2G/Enterprise: продажа лицензии на сервер (высокий чек, оплата за внедрение). Развертывание LLM внутри контура заказчика (для безопасности).
  • SaaS (B2B/МСП): подписка (месяц/год). Оплата за количество обработанных документов (Pay-as-you-go) или за пользователя.
  • Кастомизация: платная настройка под уникальные формы конкретного ведомства.

6a. Модель монетизации

  • Гибридная модель:
    • Установка (Setup Fee): внедрение «под ключ» + настройка агентов под клиента.
    • Подписка (SaaS): ежемесячная плата за доступ к системе и обновлениям шаблонов.
    • Услуги: сопровождение (поддержка пользователей, дообучение модели на правках клиента).

7. Структура расходов

  • Разработка:
    • Инфраструктура для LLM (GPU-серверы от 32 ГБ VRAM).
    • Разработка и обучение моделей (зарплата команды Data Science и Backend).
  • Операционные:
    • Хранение данных (архив до 1 ТБ на сессию).
    • Техподдержка клиентов.
    • Маркетинг и участие в тендерах.

8. Ключевые метрики

  • Точность разбора: ≥95% (ключевой показатель для доверия к ИИ).
  • Скорость: время от загрузки сырых данных до готового отчета ≤5 минут на 10 таблиц.
  • Автономность: доля форм, заполненных без правок человеком (Target: 80%).
  • NPS: готовность порекомендовать систему коллегам.

9. Скрытое преимущество

  • База знаний «Ошибок»: накапливаемый датасет из правок пользователей. Чем больше клиентов пользуются системой, тем умнее становится агент, тем меньше правок требуется в будущем. Конкуренты, начавшие с нуля, не смогут повторить этот уровень точности сразу.
  • Специализированные фреймворки: использование Go для высоконагруженных частей и кастомных репозиториев сгенерированных классов формул, которые не нужно писать заново для каждого клиента.

Ссылка

На страницу проекта

Направление

IT

Рынки

TechNet

Сквозные технологии

Искусственный интеллект, Технологии машинного обучения и когнитивные технологии