Auditoría financiera con IA local

Auditoría de un gran volumen de documentos sin que los datos salgan fuera: conversión, anonimización, análisis RAG con modelos locales

Un proyecto para detectar el uso indebido de fondos de un grupo empresarial: un volumen de documentos (unos 3.9 GB en Markdown) se procesa localmente o en servidores protegidos. El trabajo produjo un estudio de LLM e infraestructura GPU, un escenario final de «calidad frente a tiempo» con una sola GPU H200 y Qwen2.5-72B con escalado en dos niveles (un modelo pequeño selecciona los elementos sospechosos y uno grande hace el análisis detallado), un presupuesto y una hoja de ruta. Se crearon herramientas de conversión a Markdown, anonimización reversible de datos personales y análisis RAG con Milvus; se realizó un análisis de prueba con un informe final.

El reto

Determinar dónde, cuándo y por qué se gastó el dinero, sin pasar datos confidenciales a servicios externos.

Qué incluye

• Conversión de PDF, DOCX, XLSX y otros formatos a Markdown
• Anonimización reversible (Presidio, spaCy NER, Faker): nombres completos, organizaciones, teléfonos, correos, fechas, importes, INN, SNILS, OGRN, cuentas bancarias, tarjetas, IBAN; modos de sustitución realista y de marcadores, desplazamiento de fechas, escalado de importes, una tabla de correspondencias para la desanonimización
• Análisis RAG de documentos relacionados (contratos, facturas, órdenes de pago, cartas, actas de conformidad) y un grafo de entidades y transacciones con reglas de detección de anomalías
• Un modo air-gapped para trabajar sin API externas; informes en Markdown, JSON y Excel

Traducción automática, en revisión.