Audyt finansowy z lokalnym AI

Audyt dużego zbioru dokumentów bez wysyłania danych na zewnątrz: konwersja, anonimizacja, analiza RAG na modelach lokalnych

Projekt wykrywania niewłaściwego wykorzystania środków grupy kapitałowej: zbiór dokumentów (około 3,9 GB w Markdown) jest przetwarzany lokalnie lub na zabezpieczonych serwerach. W ramach prac powstały: analiza modeli LLM i infrastruktury GPU, docelowy scenariusz „jakość kontra czas” na jednym GPU H200 z Qwen2.5-72B i dwustopniową eskalacją (mały model wyłapuje podejrzane pozycje, duży wykonuje szczegółową analizę), kosztorys i roadmapa. Zbudowano narzędzia do konwersji do Markdown, odwracalnej anonimizacji danych osobowych i analizy RAG na Milvus; przeprowadzono analizę próbną zakończoną raportem.

Zadanie

Ustalić, gdzie, kiedy i na co wydano pieniądze, bez przekazywania poufnych danych zewnętrznym usługom.

Co jest w środku

• Konwersja PDF, DOCX, XLSX i innych formatów do Markdown
• Odwracalna anonimizacja (Presidio, spaCy NER, Faker): imiona i nazwiska, organizacje, numery telefonów, adresy e-mail, daty, kwoty, INN, SNILS, OGRN, rachunki bankowe, karty, IBAN; tryby realistycznej podmiany i placeholderów, przesuwanie dat, skalowanie kwot, tabela mapowań do deanonimizacji
• Analiza RAG powiązanych dokumentów (umowy, faktury, polecenia przelewu, pisma, protokoły odbioru) oraz graf encji i transakcji z regułami wykrywania anomalii
• Tryb air-gapped do pracy bez zewnętrznych API; raporty w Markdown, JSON i Excel

Tłumaczenie maszynowe — w trakcie korekty.