«LLM без OCR в обработке документов не работает»: как «АльфаСтрахование» построила IDP-оркестратор с ИИ Smart Engines. idp.. idp. IDP-оркестратор.. idp. IDP-оркестратор. llm.. idp. IDP-оркестратор. llm. ocr.. idp. IDP-оркестратор. llm. ocr. Анализ и проектирование систем.. idp. IDP-оркестратор. llm. ocr. Анализ и проектирование систем. Блог компании Smart Engines.. idp. IDP-оркестратор. llm. ocr. Анализ и проектирование систем. Блог компании Smart Engines. интервью.. idp. IDP-оркестратор. llm. ocr. Анализ и проектирование систем. Блог компании Smart Engines. интервью. искусственный интеллект.. idp. IDP-оркестратор. llm. ocr. Анализ и проектирование систем. Блог компании Smart Engines. интервью. искусственный интеллект. Обработка изображений.. idp. IDP-оркестратор. llm. ocr. Анализ и проектирование систем. Блог компании Smart Engines. интервью. искусственный интеллект. Обработка изображений. распознавание документов.. idp. IDP-оркестратор. llm. ocr. Анализ и проектирование систем. Блог компании Smart Engines. интервью. искусственный интеллект. Обработка изображений. распознавание документов. распознавание паспорта.. idp. IDP-оркестратор. llm. ocr. Анализ и проектирование систем. Блог компании Smart Engines. интервью. искусственный интеллект. Обработка изображений. распознавание документов. распознавание паспорта. страхование.

Ежегодно «АльфаСтрахование» обрабатывает порядка 40 млн документов. За последние десять лет компания прошла путь от потокового сканирования и распознавания штрихкодов до собственной платформы интеллектуальной обработки документов (IDP), объединяющей OCR, машинное обучение и большие языковые модели. Сегодня эти технологии помогают автоматизировать десятки бизнес-процессов, справляться с растущими объемами документов без расширения штата и обеспечивать экономический эффект в десятки миллионов рублей.

О том, как менялись задачи автоматизации документооборота, почему LLM не заменяют классические технологии распознавания и какую роль в этом процессе играют решения Smart Engines, мы поговорили с Натальей Корецкой, директором операционного департамента «АльфаСтрахование».

Посмотреть запись открытого диалога можно здесь.

«LLM без OCR в обработке документов не работает»: как «АльфаСтрахование» построила IDP-оркестратор с ИИ Smart Engines - 1

От сканирования штрихкодов к интеллектуальной обработке

– Как за последние десять лет менялись задачи по автоматизации обработки документов в «АльфаСтрахование»? С чего начинался этот путь?

– Если говорить про бизнес в целом – а я представляю именно его – то это сплошной документооборот. В «АльфаСтрахование» на сегодняшний день обрабатывается порядка 40 млн документов в год. И весь этот объем требует автоматизации, в противном случае мы бы с ним просто не справились. Начиналось все с достаточно простой задачи – быстро сканировать документы. Первое, что мы сделали, – оборудовали все наши точки присутствия, а их было около 400, скоростными сканерами и программным обеспечением для потокового сканирования.

Основной поток документов в страховании – это договоры страхования. К тому моменту большая часть из них уже оформлялась во фронтенде, интегрированном с нашей полисной системой, то есть данные о продажах автоматически поступали в систему учета. Однако для подтверждения транзакции необходимо было убедиться, что оригинал договора действительно поступил в компанию.

Для этого мы использовали распознавание штрихкодов: оно позволяло связать отсканированный бумажный документ с записью в информационной системе и автоматически подтвердить его поступление. Так распознавание штрихкодов на договорах страхования стало нашим первым проектом по распознаванию документов.

– Оцифровка документов происходила непосредственно на местах, там, где поступала бумага? Как развивалась автоматизация дальше?

– Да, весь архив пополнялся на местах через сканирование. С бумажными документами так происходит и сейчас: мы сканируем их в наших точках присутствия, а затем централизованно или автоматически обрабатываем. Наша стратегия операционной эффективности заключается в том, чтобы переводить локальные ручные операции в цифровой формат, централизовать и по возможности автоматизировать. Мы начинали с распознавания штрихкодов, затем QR-кодов, и постепенно автоматизировали учет всех типовых форм договоров страхования.

Следующим этапом стала работа с входящей корреспонденцией. Страховая компания получает колоссальное количество писем – порядка 2 млн в год. Все их необходимо открыть, прочитать, зарегистрировать, определить тип документа и направить на дальнейшую обработку.

При этом многие обращения требуют срочной реакции. Например, если вовремя не отреагировать на судебное письмо, можно проиграть дело. А при получении заявления о расторжении договора страхования мы обязаны ответить клиенту в установленный законодательством срок. Поэтому перед нами встала новая задача – автоматически классифицировать корреспонденцию, распределять ее по потокам с учетом срочности и определять дальнейший сценарий обработки.

– Как удалось автоматизировать обработку такого разнообразия документов?

– Разные категории документов требуют разных сценариев обработки. И здесь нам на помощь пришел следующий этап развития интеллектуальной обработки документов – машинное обучение (ML). OCR мы использовали с самого начала: сначала распознавали штрихкоды, затем текст документов. А с помощью моделей машинного обучения, обученных по нашим алгоритмам, мы научились автоматически определять тип документа и выбирать дальнейший сценарий его обработки.

– Помимо классификации документов, какие еще задачи удалось автоматизировать?

– Следующим шагом стало распознавание типовых документов и извлечение из них данных. После того как мы научились использовать машинное обучение для обработки входящих документов, начали внедрять технологии Smart Engines для распознавания паспортов, водительских удостоверений и свидетельств о регистрации транспортных средств. Причем эти решения используются не в бэк-офисе, а во фронтенде, например на этапе продажи страховых продуктов.

– Почему вы выбрали Smart Engines в качестве поставщика технологий распознавания документов?

– Мы довольно давно определились с поставщиком OCR и за десять лет сотрудничества ни разу не пожалели о своем выборе. Это не значит, что мы не рассматривали альтернативы: тестировали открытые решения, продукты других разработчиков – как российских, так и зарубежных, облачные и локальные.

Мы внимательно следим за новыми технологиями и продолжаем работать со Smart Engines. За эти годы у коллег появлялись новые технологии и возможности, а у нас – новые задачи и потребности бизнеса. Так мы постепенно расширяли применение распознавания документов и внедряли новые продукты Smart Engines.

Зачем понадобился собственный IDP-оркестратор

– Как вы пришли к идее создания собственной платформы интеллектуальной обработки документов?

– В какой-то момент – этому поспособствовала и пандемия – доля бумажных документов у нас сократилась до 16%. Однако отсутствие бумажного носителя еще не означает, что из документа можно автоматически извлечь данные и использовать их в бизнес-процессах. Есть полностью цифровые документы, которые формируются в информационных системах и автоматически принимаются к учету. А есть сканы, фотографии и другие документы без текстового слоя, для обработки которых требуются дополнительные инструменты.

К тому времени мы уже научились автоматически учитывать, классифицировать и маршрутизировать основные категории документов с текстовым слоем. Следующей задачей стала автоматизация обработки остальных документов. Там, где текстового слоя нет, мы используем OCR для распознавания текста, а затем ML или LLM для его дальнейшей обработки.

В 2025 году мы поняли, что для эффективного использования этих инструментов нам нужна единая платформа. Выстраивать отдельную последовательность операций для каждого типа документа – дорого и не всегда надежно. Поэтому мы решили создать универсальное решение, которое позволило бы объединить разные технологии интеллектуальной обработки и автоматизировать сценарии целиком.

– С каких задач началась разработка платформы?

– Мы решили начать с бухгалтерских документов – актов, накладных, счетов. Причем это не основная наша деятельность: в розничном бизнесе такие документы составляют массовый поток, а для нас они скорее побочные. Поэтому мы решили попробовать на них LLM и на базе этого сценария построить прототип будущей платформы.

Мы сразу поняли, что использовать OCR, LLM и другие инструменты по отдельности неэффективно. Нам нужно было универсальное решение, которое позволит автоматизировать сценарии целиком. Так появилась платформа, к которой можно подключать разные инструменты интеллектуальной обработки документов в зависимости от конкретной задачи.

– Как устроен процесс обработки документов внутри платформы? Как взаимодействуют OCR, ML и LLM?

– Все начинается с OCR: если документ не содержит текстового слоя, сначала необходимо его распознать. При этом задача не всегда простая. Например, на одной странице могут находиться несколько разных документов, повернутых в разные стороны и даже принадлежащих разным клиентам. Поэтому сначала нужно выделить каждый документ, распознать его и определить тип, а затем извлечь необходимые атрибуты.

Если документ относится к типовым формам, поддерживаемым Smart Engines, например акт, счет или накладная, система сразу распознает его и извлекает необходимые данные. Для нетиповых документов – договоров, дополнительных соглашений, отчетов, ведомостей, заказ-нарядов и других – используются сценарии на базе ML или LLM.

Языковая модель читает документ, определяет, что это за документ, и извлекает атрибуты, необходимые для дальнейшей обработки.

Например, если к нам поступил неформализованный бухгалтерский документ на бумаге, мы его сканируем, распознаем и извлекаем все необходимые для учета данные: номера, адреса, суммы, названия статей, наименования, номенклатуру. Затем упаковываем результат в интеграционный документ – JSON или XML, в зависимости от требований следующего этапа обработки, – и передаем дальше.

OCR и LLM: друзья или враги

– Как с появлением LLM изменились требования к технологиям OCR? Насколько качество распознавания влияет на эффективность всего процесса?

– Качество распознавания по-прежнему очень важно, особенно когда речь идет о получении полнотекстовых данных для дальнейшей обработки с помощью LLM. То, насколько качественно OCR распознает текст и подготавливает его для языковой модели, напрямую влияет на стоимость достижения конечного результата.

– Как вы обеспечиваете поддержку новых типов документов? Всегда ли для этого целесообразно использовать LLM?

– Преимущество LLM в том, что с их помощью можно достаточно быстро автоматизировать обработку новых типов документов с минимальными доработками под конкретные шаблоны. Но у такого подхода есть своя экономика: использование языковой модели может обходиться дороже, чем специализированное распознавание.

Поэтому мы можем сначала запустить обработку нового типа документов с помощью LLM, а затем, когда появляется более быстрый или экономичный инструмент, заменить им языковую модель. Например, дождаться, пока у наших партнеров появится поддержка нового типа документа в специализированном решении.

В этом и заключается одно из преимуществ нашего IDP-оркестратора: мы не привязаны к одной технологии и можем выбирать наиболее эффективный инструмент для каждой задачи.

– Какие еще факторы влияют на выбор технологий для интеллектуальной обработки документов?

– Для нас важны не только качество и стоимость обработки, но и требования информационной безопасности. Мы очень жестко регламентированы, поэтому не можем использовать облачные LLM для наших сценариев, как и облачные OCR-решения. Системы распознавания документов и языковые модели у нас всегда были развернуты локально, вся обработка происходит внутри инфраструктурного периметра компании.

Это накладывает дополнительные требования на экономику проектов. Если в облаке можно оплачивать обработку по мере использования, то локальное развертывание LLM требует собственных вычислительных мощностей. Фактически порог входа определяется стоимостью оборудования.

Поэтому важно понимать, в каких сценариях действительно необходимы языковые модели, а где задачу можно решить с помощью более экономичных инструментов.

От технологий к бизнес-результатам

– Какие результаты уже дает внедрение IDP-оркестратора? Можете привести пример успешного проекта?

– Один из самых успешных кейсов этого года – автоматизация обработки судебной корреспонденции. С развитием цифрового исполнительного производства мы стали получать одни и те же письма из разных источников: по электронной почте, через Почту России и Госуслуги. В результате возникает риск повторной обработки одного обращения или неправильного определения сроков реагирования.

Одна из задач нашего IDP-оркестратора – выявлять дубликаты писем, определять, какое из них поступило первым, и проверять, был ли уже дан ответ. Это позволяет правильно отсчитывать сроки и исключать повторную обработку документов.

Архитектура нашего оркестратора и достигнутый уровень автоматизации на базе ИИ позволяют справляться даже с кратным ростом объема судебной корреспонденции без необходимости расширять штат сотрудников, в том числе юристов, занимающихся ее обработкой.

Это и есть одна из главных целей автоматизации – не сокращение персонала, а возможность масштабировать процессы без пропорционального увеличения численности сотрудников.

– А если говорить об экономическом эффекте от внедрения IDP-оркестратора? Какие результаты уже удалось получить?

– Развитие IDP-оркестратора, в том числе подключение LLM, только за последний год позволило сэкономить десятки миллионов рублей. В ближайшие 12 месяцев мы рассчитываем увеличить экономический эффект за счет реализации девяти проектов, охватывающих 67 типов документов.

В первую очередь это экономия за счет масштабирования: мы можем обрабатывать растущие объемы документов, которые сопровождают развитие бизнеса компании, без пропорционального увеличения численности сотрудников. Кроме того, автоматизация влияет на качество клиентского сервиса, а значит, и на репутацию компании. Хорошо работающий бэк-офис позволяет быстрее выполнять необходимые операции и обеспечивать стабильность бизнес-процессов.

 – Насколько точно языковые модели справляются с извлечением данных из документов? И как вы контролируете возможные ошибки?

– В зависимости от качества исходного документа точность извлечения данных составляет 95-99%. Но ошибки языковых моделей пока никуда не исчезли.

Мы не готовы полностью исключить человека из процесса, особенно когда речь идет о чувствительных данных или финансовых операциях. Поэтому используем перекрестные проверки и несколько уровней контроля результатов работы LLM.

Наша задача – сделать автоматическую обработку достаточно надежной, чтобы постепенно сокращать количество случаев, когда документ необходимо передавать человеку на дополнительную проверку.

Как автоматизация меняет работу сотрудников

– Как за эти годы автоматизация повлияла на численность сотрудников, занятых ручной обработкой документов?

– На пике, в 2014-2015 годах, численность нашего центра операционной поддержки достигала 300-350 человек. Кстати, у нас не очень большое ОЦО по сравнению с другими отраслями, где значительно больше централизованных ручных операций. Сейчас у нас 160 сотрудников, занимающихся ручной обработкой документов. При этом за прошедшие годы документооборот бизнеса вырос на порядок, а численность персонала на протяжении последних пяти лет практически не увеличивается.

Это результат последовательной автоматизации процессов. Когда у бизнеса появляется новый сервис и возникает потребность в дополнительных операциях, мы сначала берем их на себя в формате lift-and-shift, то есть переносим процесс в существующем виде. А затем постепенно автоматизируем его, чтобы рост бизнеса не требовал пропорционального увеличения штата.

– А как сотрудники воспринимают внедрение новых технологий? Не возникает ли сопротивления автоматизации?

– Никакого сопротивления. У нас довольно устоявшийся штат, и люди не боятся потерять работу, потому что мы не проводим сокращений, а задачи есть всегда. За годы автоматизации у нас сформировалась культура, в которой сотрудники сами заинтересованы во внедрении инноваций.

В этот процесс вовлечены в том числе операторы валидации: они тестируют новые инструменты, делятся обратной связью и подсказывают, что можно улучшить. С внедрением новых технологий работы у них не становится меньше, просто меняется ее характер. Возможно, она становится даже более интересной.

Что дальше: смогут ли LLM заменить человека?

 – Как вы считаете, смогут ли технологии интеллектуальной обработки документов полностью заменить человека? Останутся ли сотрудники в бэк-офисе через три-пять лет?

– Люди в бэк-офисе, безусловно, останутся. Пока что исключить человека из рутинных операций в перспективе ближайших двух лет не представляется возможным. Но технологии развиваются так быстро, что, возможно, уже через полгода я буду говорить что-то другое.

И дело не столько в качестве нейросетей, сколько в доверии к ним. Человек пока не готов полностью полагаться на решения ИИ, к тому же существуют законодательные ограничения.

Сейчас LLM скорее выступает в роли помощника: она анализирует документы и предоставляет человеку необходимую информацию, чтобы он мог быстрее принять решение. Например, система может извлечь и структурировать данные из бухгалтерского документа, но решение о принятии его к учету остается за сотрудником.

Самое интересное здесь то, что машина научилась не просто выполнять конвейерную работу или действовать по заданному алгоритму – это она умела и раньше. Теперь она научилась понимать текст документа почти как человек и на основе этого делать выводы. Но насколько можно доверять этим выводам – вопрос бизнеса и допустимых рисков.

– Если подытожить: как сегодня взаимодействуют OCR и LLM в обработке документов и как вы видите дальнейшее развитие этих технологий?

– LLM без OCR в обработке документов не работает. Это не конкурирующие технологии, а разные этапы автоматизации обработки документов. OCR позволяет распознать текст, а LLM – работать с его содержанием.

При этом большие языковые модели подключились к нашему процессу относительно недавно, около года назад. А еще год назад многие задачи, которые мы сегодня решаем, казались нам недостижимыми. Технологии развиваются фантастически быстро, и пока я не вижу предела возможностей, которые перед нами открываются.

Но завтра могут появиться новые инструменты. Поэтому мы и вложились в создание универсальной платформы, которая позволяет гибко комбинировать разные технологии: один инструмент можно заменить другим или подключить новый.

Для нас важно не просто внедрять отдельные решения, а быть готовыми к дальнейшему развитию интеллектуальной обработки документов. И здесь важно помнить, что стремительно развиваются не только языковые модели, но и технологии OCR. Наши коллеги постоянно совершенствуют алгоритмы распознавания, повышая их точность и производительность. И какими бы мощными ни становились LLM, без качественного распознавания на входе добиться надежной обработки документов будет значительно сложнее. Именно поэтому мы видим будущее в совместном развитии и использовании этих технологий.

Экспертный диалог с Натальей Корецкой, директором операционного департамента «АльфаСтрахование», можно посмотреть по ссылке.

P.S. Подписывайтесь на наш канал и следите за обновлениями.

Автор: SmartEngines

Источник