Экспертные заключения: 9
Консультации: 0

Интеллектуальный анализ документов

Идея проекта:

Разработка интеллектуальной программной системы на базе компьютерного зрения (Computer Vision) и больших языковых моделей (LLM), способной в режиме реального времени распознавать, структурировать и извлекать целевые данные из скан-копий документов различного качества, а также предоставлять релевантные сведения по текстовому запросу пользователя в свободной форме.

Связь НПТЛ:

Проект непосредственно связан с реализацией НПТЛ № 10 «Микроэлектроника» (в частности, п. 10.12 «Устройства обработки видеоинформации»).

Обоснование связи:

• Обработка графического потока в реальном времени (п. 10.12): Программный продукт реализует алгоритмы потоковой обработки и фильтрации видео- и графической информации (сканов высокой плотности, видеокадров с камер мобильных устройств). Система подготавливает и нормализует визуальный поток для дальнейшего нейросетевого анализа.

• Аппаратно-программный потенциал: Разрабатываемые модули предобработки графики и оптического распознавания символов (OCR) проектируются с возможностью последующей адаптации и оптимизации под специализированные отечественные процессоры и видеоконтроллеры с аппаратным ускорением обработки изображений.

Цели проекта:

• Технологическая цель: Создать устойчивую к помехам программную систему для автоматической обработки, интеллектуального анализа и структурирования данных из сканов документов в режиме реального времени.

• Бизнес-цель: Доказать экономическую эффективность решения за счет сокращения времени поиска и ручного ввода данных операторами в 3–5 раз, а также добиться корректного распознавания документов низкого качества (до 85%+ точности на «шумных» сканах).

Задачи проекта:

1. Сбор и разметка датасета: Формирование, анонимизация и качественная разметка набора типовых документов (ПТС, СТС, паспорта, договоры) с учетом реальных искажений (блики, сгибы, низкое разрешение).

2. Исследования (R&D): Сравнительный анализ и тестирование современных архитектур компьютерного зрения (OCR), моделей понимания макета (Layout Analysis) и моделей ответы на вопросы по документам (DocVQA).

3. Разработка алгоритмического ядра: Создание модуля структурированного извлечения сущностей и системы семантического поиска информации по документам в ответ на запросы пользователя на естественном языке.

4. Тестирование устойчивости: Проведение стресс-тестов системы на устойчивость к пространственным искажениям, перекрытиям текста, шумам и сложным нестандартным компоновкам документов.

5. Интеграция и упаковка: Сборка функционального MVP с пользовательским интерфейсом для демонстрации работы системы в реальном времени.

Ожидаемые результаты:

• Программный модуль (MVP): Готовое программное решение, осуществляющее автоматический разбор сканов и семантический поиск по ним.

• Ускорение бизнес-процессов: Сокращение трудозатрат на ручной ввод и поиск информации в архивных и поступающих документах более чем на 70%.

• Высокая точность: Алгоритмическая устойчивость к низкокачественным сканам, обеспечивающая корректное извлечение ключевых полей даже при наличии шумов и дефектов съемки.

• Портфолио и опыт команды: Апробированный проект с подтвержденным статусом студенческой технологической разработки, готовый к коммерциализации или масштабированию.

Актуальность

  • Высокий темп роста рынка: Рынок Document AI (ИИ для работы с документами) оценивается в $14,66 млрд в 2025 году и, как ожидается, достигнет $27,62 млрд к 2030 году со среднегодовым темпом роста (CAGR) 13,5%. Это говорит о взрывном спросе на подобные решения.
  • Главный тренд — RAG: Технология Retrieval-Augmented Generation (RAG), которую вы, вероятно, используете, является ключевым драйвером рынка. Она позволяет объединять генеративный ИИ с базами знаний для точных и контекстно-зависимых ответов, что критически важно для валидации данных из документов.
  • Ключевая проблема — неструктурированные данные: Большая часть корпоративных данных (электронные письма, контракты, отчеты, сканы) является неструктурированной. Это создает огромный спрос на системы, способные понимать и извлекать смысл из таких форматов.
  • Основные потребители — BFSI сектор: Банки, финансовые и страховые компании демонстрируют самый быстрый рост adoption (внедрения) таких систем для обработки кредитных заявок, KYC (проверки клиентов) и управления страховыми случаями.
  • Приоритет безопасности и приватности: Современные решения все чаще используют федеративное обучение (federated learning), чтобы обучаться на данных, не передавая конфиденциальную информацию за пределы защищенного контура. Это отражает высокие требования к безопасности, особенно в госсекторе и финансах.
  • Проблема «AI Readiness»: Согласно исследованию Gartner, только 14% организаций уверены, что их контент готов к использованию в ИИ. Это означает, что большинство компаний нуждаются в инструментах для подготовки и оцифровки своих знаний.
  • Рост интеллектуальной обработки документов (IDP): Сегмент IDP (Intelligent Document Processing) занимает наибольшую долю на рынке, так как объединяет OCR, NLP и машинное обучение для полной автоматизации обработки счетов, форм и контрактов.
  • Фокус на объяснимость и аудит: Регуляторные требования (например, в финансовом секторе США) заставляют внедрять системы, которые могут не только извлекать данные, но и показывать «след» для аудита — откуда именно была взята информация.
  • Быстрый рост в Азиатско-Тихоокеанском регионе: Такие страны, как Индия и Япония, активно инвестируют в цифровизацию документов (проекты «Digital India», «Society 5.0»), что делает этот регион самым быстрорастущим рынком.
  • Смена парадигмы на «Агентов»: Рынок движется от простого извлечения данных к созданию автономных ИИ-агентов, которые могут не просто отвечать на вопросы по документам, но и выполнять действия на основе этих знаний (например, обновлять статус заявки или генерировать ответ).

Пример использования аналогичного продукта:

«ИИ позволяет перейти от простой оцифровки документов к их полноценному пониманию и автоматической обработке. Мы реализовали этот подход в IDP-оркестраторе — единой платформе, которая управляет всем жизненным циклом обработки документов и объединяет несколько технологий искусственного интеллекта. Сегодня оркестратор помогает нам экономить больше 50 FTE, и это только начало — в ближайшие годы портфель инициатив по автоматизации обработки документов с помощью ИИ будет только расти» - Наталья Корецкая, директор операционного департамента «АльфаСтрахование»

Ссылка на источник

Информация от GlobalData:

В 2025 году объем российского рынка оптического распознавания символов составил 222,4 миллиона долларов, а совокупный годовой темп роста (CAGR) в период с 2020 по 2025 год составил 7,1%.

Профили ведущих компаний раскрывают детали глобальной деятельности и финансовых показателей ключевых игроков рынка оптического распознавания символов

Рост российского рынка оптического распознавания символов в значительной степени обусловлен растущим спросом на автоматизацию обработки документов и ввода данных. По данным GlobalData, в 2025 году индекс стоимости рабочей силы в России достиг 281,4, что на 6,1% больше, чем в 2024 году.

Ссылка на источник


Опросы ВЦИОМ:

Полный переход на цифровые документы ("Спутник")

Дата опроса Выборка Погрешность Метод опроса
24.09.2023 – 01.10.2023 1600 2.5% Телефонный
Вопрос

Есть мнение, что в ближайшие 20 лет бумажные документы полностью исчезнут, им на смену придут цифровые образцы. Как Вы считаете, такое случится или нет? (закрытый вопрос, один ответ)

Такое точно случится Такое скорее случится Такое скорее не случится Такого точно не случится Затрудняюсь ответить
15% 58% 14% 6% 7%

Опрос 2023 года демонстрирует ожидания большей части граждан полный переход на цифровые документы. Конечно, это собирательное мнение, но оно также немало важно для получения общей картины

Ссылка на источник


Использование Госуслуг для работы с документами и справками ("Спутник")

Дата опроса Выборка Погрешность Метод опроса
29.11.2020 – 06.12.2020 1600 2.5% Телефонный
Вопрос

Я зачитаю список, а Вы скажите, для чего Вы на сегодняшний день используете интернет? Государственные услуги – оформление документов, получение справок (закрытый вопрос, один ответ, от пользующихся интернетом)

Использую интернет Не исползую интернет Не делаю этого
64% 23% 14%

Опрос 2020 года отображает использование портала Госуслуг для работы с документами. То есть, некоторые документы уже оформляются или доходят до граждан в электронном виде уже на тот момент

Ссылка на источник

Бизнес-модель

Проблемы

Основная проблема потребителей — высокая доля ручного труда при обработке сканов документов: операторы тратят значительное время на ввод данных, поиск нужных сведений в архивах и проверку корректности извлечённых полей. Дополнительная сложность — низкое качество сканов: блики, сгибы, низкое разрешение, перекрытия текста и нестандартные компоновки приводят к ошибкам распознавания и требуют повторной обработки. Существующие OCR-решения часто не понимают макет документа и не позволяют задавать вопросы к содержимому на естественном языке, а зарубежные системы могут быть недоступны или не адаптированы под отечественную аппаратную платформу.

Ценностное предложение

Наша система обеспечивает высокую точность извлечения данных даже на «шумных» сканах, сокращает трудозатраты на ручной ввод и поиск информации более чем на 70% и позволяет пользователю задавать вопросы к документам на естественном языке. Мы сочетаем компьютерное зрение, анализ макета и большие языковые модели, а модули предобработки и OCR проектируем с возможностью адаптации под отечественные процессоры и видеоконтроллеры с аппаратным ускорением, что делает решение технологически независимым и соответствующим приоритетам НПТЛ № 10 «Микроэлектроника».

Решение

Мы разрабатываем программный модуль (MVP), который в режиме реального времени принимает сканы и видеокадры документов, нормализует изображение, распознаёт текст, анализирует макет и извлекает ключевые сущности в структурированном виде. Поверх этого работает система семантического поиска, которая отвечает на запросы пользователя в свободной форме. Решение включает пользовательский интерфейс для демонстрации работы, устойчиво к пространственным искажениям и шумам, а его модули спроектированы для последующей оптимизации под специализированное отечественное аппаратное обеспечение.

Каналы распространения

Мы планируем прямые продажи через коммерческие предложения и демонстрации MVP для целевых организаций, участие в отраслевых выставках и конференциях по цифровизации документооборота, публикации в профессиональных сообществах и каналах. Отдельное направление — партнёрство с IT-интеграторами и вендорами систем электронного документооборота, которые могут включать наш модуль в свои решения. Для привлечения первых клиентов используем пилотные проекты и бесплатные тестовые внедрения на ограниченном объёме документов.

Доходы

Основная модель монетизации — лицензирование программного модуля с оплатой за рабочее место оператора или за объём обработанных документов, что делает стоимость предсказуемой и привязанной к получаемой выгоде. Дополнительные источники дохода — платная интеграция и настройка под инфраструктуру заказчика, техническая поддержка и обновления по подписке, а также разработка кастомных модулей под специфические типы документов. В перспективе возможна продажа аппаратно-программных комплексов на базе отечественной элементной базы.

Расходы

К основным расходам относятся оплата труда команды разработки и исследователей, затраты на вычислительные ресурсы для обучения и тестирования моделей, приобретение и разметка датасетов, а также расходы на анонимизацию данных. Постоянные расходы включают аренду или оплату облачной инфраструктуры, техническую поддержку, юридическое сопровождение и представительские расходы. Переменные расходы — налоги, платежи за используемые внешние сервисы и масштабирование вычислительных мощностей под нагрузку заказчиков.

Ключевые метрики

Мы отслеживаем точность извлечения ключевых полей на тестовом наборе документов, включая «шумные» сканы, и стремимся к целевому показателю 85%+. Важнейшая бизнес-метрика — сокращение времени обработки одного документа и трудозатрат операторов, которое должно составить не менее 70%. Дополнительно измеряем количество внедрённых пилотов, число активных пользователей системы, объём обработанных документов, конверсию пилотов в платные контракты и срок окупаемости проекта.

Скрытое преимущество

Наше скрытое преимущество — сочетание устойчивости к низкокачественным сканам с семантическим поиском на естественном языке и архитектурой, изначально ориентированной на адаптацию под отечественные процессоры и видеоконтроллеры с аппаратным ускорением. Это создаёт барьер для копирования: конкурентам недостаточно повторить отдельный модуль, требуется воспроизвести всю связку предобработки, распознавания, анализа макета и DocVQA, а также пройти путь адаптации под российскую аппаратную платформу. Дополнительный эффект даёт накопленный размеченный датасет с реальными искажениями, который повышает качество модели по мере роста числа внедрений.

Ссылка

На страницу проекта

Направление

IT

Рынки

EduNet, TechNet

Сквозные технологии

Искусственный интеллект, Технологии машинного обучения и когнитивные технологии, Нейротехнологии, технологии виртуальной и дополненной реальностей