Auditoria financeira com IA local

Auditoria de um grande volume de documentos sem que os dados saiam da empresa: conversão, anonimização, análise RAG com modelos locais

Um projeto para detectar o uso indevido de recursos de um grupo empresarial: um volume de documentos (cerca de 3,9 GB em Markdown) é processado localmente ou em servidores seguros. O trabalho gerou um estudo de LLMs e infraestrutura de GPU, um cenário final de “qualidade vs. tempo” em uma única GPU H200 com Qwen2.5-72B e escalonamento em dois níveis (um modelo pequeno seleciona os itens suspeitos e um grande faz a análise detalhada), uma estimativa de custos e um roadmap. Foram criadas ferramentas para conversão em Markdown, anonimização reversível de dados pessoais e análise RAG com Milvus; foi realizada uma análise piloto com relatório final.

O desafio

Determinar onde, quando e por que o dinheiro foi gasto, sem repassar dados confidenciais a serviços externos.

O que há por dentro

• Conversão de PDF, DOCX, XLSX e outros formatos para Markdown
• Anonimização reversível (Presidio, spaCy NER, Faker): nomes completos, organizações, telefones, e-mails, datas, valores, INN, SNILS, OGRN, contas bancárias, cartões, IBAN; modos de substituição realista e de placeholders, deslocamento de datas, escalonamento de valores, tabela de correspondência para desanonimização
• Análise RAG de documentos relacionados (contratos, faturas, ordens de pagamento, cartas, termos de conclusão de serviços) e grafo de entidades e transações com regras de detecção de anomalias
• Modo air-gapped para trabalhar sem APIs externas; relatórios em Markdown, JSON e Excel

Tradução automática — em revisão.