Как отправить данные из 1С в нейросеть и получить ответ обратно с настоящими именами и суммами

Почему обычной маскировки недостаточно, зачем нужна обратимость, как сохранить смысл чисел и почему суммы нельзя просто заменить случайными? Написали обработку, которая действительно заменяет персональные и платёжные реквизиты перед отправкой в модель и затем умеет расшифровать ответ обратно.

В прошлой статье ^[1] мы разбирали, как передать копию базы 1С подрядчику без реальных персональных данных.

Но есть более локальный сценарий: базу передавать не нужно, а вот отдельную выгрузку хочется отдать нейросети на анализ.

Например, попросить:

• разобрать дебиторскую задолженность;

• найти аномалии;

• сгруппировать контрагентов;

• объяснить расхождения;

• рассчитать график платежей.

Проблема в том, что в такой выгрузке будут ФИО, ИНН, счета, телефоны и реальные суммы.

ООО "Альфа"
Иванов Сергей Петрович
ИНН 7701234567
р/с 40702810...
Долг: 8 587 500,00

Просто копировать это в ChatGPT, Claude или YandexGPT нельзя. Можно заранее заменить реквизиты вручную. Но тогда возникает другая проблема: как потом читать ответ модели и понимать, кто скрывается за выдуманными именами и цифрами?

Поэтому здесь нужна не просто маскировка, а обратимая псевдонимизация текста ^[2].

Схема выглядит так:

1С
 |
 v
выгрузка
 |
 v
псевдонимизация
 |
 v
нейросеть
 |
 v
ответ модели
 |
 v
обратная замена
 |
 v
ответ с настоящими данными

Обработка работает только с тем текстом, который пользователь ей передал. Самостоятельно во внешние сервисы она ничего не отправляет.

Почему случайной замены недостаточно

Возьмем таблицу:

Контрагент       Менеджер      Долг
ООО "Вектор"     Иванов И.И.   1 200 000
ООО "Сфера"      Иванов И.И.     800 000
ООО "Альфа"      Петров П.П.     300 000

Если каждое вхождение Иванов И.И. заменить независимо, модель решит, что первые две строки относятся к разным менеджерам.

Поэтому действует простое правило:

одно исходное значение получает один и тот же псевдоним во всей выгрузке.

Это сохраняет связи, группировки и смысл данных. В реальной выгрузке 1С чувствительных значений гораздо больше, чем ФИО.

Обработка ^[2] ищет:

• ФИО и организации;

• ИНН, ИИН, БИН;

• ОГРН, ОГРНИП, КПП;

• банковские счета, БИК, IBAN;

• номера карт;

• паспортные данные и СНИЛС;

• телефоны и email;

• даты рождения и адреса;

• автомобильные номера;

• денежные суммы.

При этом задача не сводится к простым регулярным выражениям.

Например, ИНН можно проверять по контрольной сумме, банковскую карту — по алгоритму Луна, а email заменять адресом на example.com ^[3].

Псевдоним желательно делать не просто случайным, а структурно похожим на оригинал.

Например:

ИНН 7707083893

превращается не в набор случайных цифр, а в другой номер с корректной контрольной суммой. Это полезно, если данные потом обрабатывает не только нейросеть, но и промежуточный парсер или другой инструмент.

Самая интересная часть — суммы

С ФИО все просто:

Иванов -> Соколов
ООО "Вектор" -> ООО "Горизонт"

С деньгами сложнее. Если оставить реальные суммы — чувствительные финансовые данные уйдут наружу. Если заменить каждую сумму случайным числом — модель потеряет пропорции:

1 000 000 -> 832 451
2 000 000 -> 174 992
5 000 000 -> 681 357

После такой замены уже нельзя корректно определить, кто должен больше, посчитать доли или найти выбросы. Поэтому все денежные суммы в одной сессии умножаются на один секретный коэффициент.

Условно:

k = 1.73

1 000 000 -> 1 730 000
2 000 000 -> 3 460 000
5 000 000 -> 8 650 000

Абсолютные значения изменились, но сохранились:

• отношения;

• доли;

• порядок;

• динамика;

• выбросы.

Это позволяет модели анализировать данные почти так же, как исходные.

Почему это позволяет восстановить даже новые расчеты модели

Допустим, мы передали модели измененную сумму и попросили рассчитать ежемесячный платеж. Ответ содержит число, которого раньше вообще не было:

Ежемесячный платеж: 858 870

Обычный словарь замен здесь не поможет: такого значения в нем нет. Но если все денежные значения были умножены на один коэффициент, результат можно преобразовать обратно тем же правилом. Именно поэтому после обратной обработки восстанавливаются не только исходные суммы, но и часть значений, которые модель рассчитала сама. Это одна из главных причин использовать коэффициент, а не случайную замену чисел.

Почему нельзя умножать вообще все числа

Потому что:

НДС 20%

после такой обработки может превратиться, например, в:

НДС 34,6%

и модель сделает неверный вывод.

Поэтому специально не меняются:

• проценты;

• количества;

• даты документов;

• номера договоров;

• артикулы и коды;

• версии платформы;

• счета учета вида 20.01.1.

Идея в том, чтобы изменить только то, что действительно нужно скрыть, и максимально сохранить смысл исходных данных.

Обратимость

После анализа модель возвращает ответ уже с псевдонимами:

ООО "Орион" имеет максимальную задолженность.
Соколов А.А. отвечает за 42% просроченных платежей.

Обработка прогоняет этот текст через словарь в обратную сторону:

ООО "Орион" -> ООО "Альфа"
Соколов А.А. -> Иванов И.И.

И пользователь читает ответ уже с настоящими именами и реквизитами. Без этого псевдонимизация решает только половину задачи.

Где хранить словарь замен

Можно было бы сохранять его в отдельный файл:

mapping.json

Но такой файл фактически является ключом к деанонимизации.

Его можно потерять, случайно отправить вместе с выгрузкой или оставить в общей папке. Поэтому словарь сохраняется средствами самой 1С в стандартном хранилище настроек и привязывается к пользователю. Обработку можно закрыть, перезапустить 1С и вернуться к ответу модели позже. Если словарей несколько, нужный определяется по совпадениям псевдонимов в тексте ответа.

Как выглядит рабочий сценарий

Исходная выгрузка:

Контрагент: ООО "Альфа"
Менеджер: Иванов Сергей Петрович
ИНН: 7707083893
Долг: 8 587 500,00
Срок просрочки: 94 дня

После обработки ^[2]:

Контрагент: ООО "Орион"
Менеджер: Соколов Алексей Андреевич
ИНН: 7721000120 
Долг: 13 645 537,50 
Срок просрочки: 94 дня

Этот текст можно отправить модели, например с запросом:

Найди основные риски по дебиторской задолженности и предложи график погашения.

После получения ответа он вставляется обратно в обработку, и настоящие имена, реквизиты и суммы возвращаются.

Где заканчивается автоматика

Здесь есть несколько важных ограничений. Во-первых, это не DLP-система. Инструмент работает только с тем текстом, который пользователь ему дал. Во-вторых, гарантированно найти вообще все чувствительные данные невозможно.

Например:

Клиент красный-47

может быть внутренним обозначением конкретного человека, но универсальный алгоритм об этом не узнает. Поэтому результат перед отправкой все равно нужно проверять глазами. Есть и еще одно ограничение: если модель сама изменила формат числа или округлила его:

8 587 500,00 -> около 8,6 млн

точные копейки восстановить уже невозможно. Их просто больше нет в тексте.

Почему это именно псевдонимизация

Если существует словарь:

Соколов -> Иванов
ООО "Орион" -> ООО "Альфа"

данные остаются обратимыми. Поэтому речь идет именно о псевдонимизации, а не о полной анонимизации. Это сделано сознательно: без обратимости мы не смогли бы вернуть настоящие данные в ответ нейросети.

Совместимость

Технические требования здесь довольно мягкие:

• платформа 1С 8.3.14 и выше;

• любая конфигурация, включая самописную;

• управляемые формы;

• файловая и клиент-серверная база;

• тонкий и толстый клиент;

• достаточно прав на чтение.

Обработка не изменяет данные информационной базы и использует платформенные методы.

Две задачи — два разных сценария

В прошлой статье мы решали задачу:

база
-> псевдонимизация
-> копия подрядчику

Здесь задача другая:

выгрузка
-> псевдонимизация
-> нейросеть
-> ответ
-> обратная замена

То есть иногда нужно защищать целую копию базы, а иногда — только небольшой фрагмент данных перед конкретной операцией.

Что в итоге

На первый взгляд задача звучит просто:

Как отправить таблицу из 1С в нейросеть, не отправив реальные ФИО и реквизиты?

Но на практике мало просто заменить Иванова на Петрова.

Нужно:

• сохранять связи между одинаковыми значениями;

• генерировать структурно корректные реквизиты;

• не ломать числа, которые важны для анализа;

• скрывать суммы с сохранением пропорций;

• уметь преобразовывать обратно результаты расчетов модели;

• хранить словарь соответствий без ручной работы пользователя;

• понимать границы автоматического распознавания.

И главный принцип здесь тот же, что и в случае с копией базы:

Псевдонимизация ^[2] полезна только тогда, когда после нее данные сохраняют свойства, ради которых мы хотим их анализировать.

Для ФИО это связи. Для реквизитов – структура. Для денежных значений – пропорции. Для ответа нейросети – возможность пройти весь путь обратно и снова увидеть реальные данные.