Audit financier avec IA locale

Auditer un grand volume de documents sans que les données sortent : conversion, anonymisation, analyse RAG sur des modèles locaux

Un projet de détection d’usage abusif des fonds d’un groupe de sociétés : un corpus de documents (environ 3,9 Go en Markdown) est traité localement ou sur des serveurs sécurisés. Le travail a produit une étude des LLM et de l’infrastructure GPU, un scénario final « qualité vs temps » sur un seul GPU H200 avec Qwen2.5-72B et une escalade à deux niveaux (un petit modèle repère les éléments suspects, un grand fait l’analyse détaillée), une estimation des coûts et une feuille de route. Des outils ont été développés pour la conversion en Markdown, l’anonymisation réversible des données personnelles et l’analyse RAG sur Milvus ; une analyse pilote a été menée, avec un rapport final.

Le besoin

Établir où, quand et pourquoi l’argent a été dépensé, sans transmettre de données confidentielles à des services externes.

Sous le capot

• Conversion de PDF, DOCX, XLSX et autres formats vers Markdown
• Anonymisation réversible (Presidio, spaCy NER, Faker) : noms complets, organisations, numéros de téléphone, e-mails, dates, montants, INN, SNILS, OGRN, comptes bancaires, cartes, IBAN ; modes de substitution réaliste et de marqueurs, décalage des dates, mise à l’échelle des montants, table de correspondance pour la désanonymisation
• Analyse RAG de documents liés (contrats, factures, ordres de paiement, courriers, procès-verbaux de réception) et graphe d’entités et de transactions avec règles de détection d’anomalies
• Un mode air-gapped pour travailler sans API externes ; rapports en Markdown, JSON et Excel

Traduction automatique — relecture en cours.