Меня зовут Валерий Маюшкин, я основатель экспертной правовой AI-системы UR-LI. Сегодня хочу рассказать о том, как машинное обучение применяется в правовом регулировании. Отмечу, что машинное обучение — не новая технология, ее активно используют во многих отраслях. Например, в науке, технике и медицине. Работает этот инструмент и в бизнесе — для отслеживания фрода, подозрительных банковских транзакций, оптимизации логистических процессов и т.п.

Сейчас машинное обучение начинает осваивать еще одну нишу — рынок legal-tech, т.е. правовое регулирование различных отраслей. Технологии, которые вводятся в этой области, упрощают работу штатных юристов крупных и средних компаний, а также берут на себя решение рутинных вопросов, что повышает общую эффективность работы профильных департаментов. Под катом — рассказ о том, как это реализуется на конкретных примерах.

Legal-tech и машинное обучение в России

Когда речь заходит о машинном обучении, обычно рассматривают кейсы зарубежных компаний. В этой же статье хотелось бы разобрать примеры, характерные для отечественного рынка.

В отрасли legal-tech наиболее распространены технологии на базе систем поддержки принятия решений. Т.е. ИИ дает рекомендации по различным сложным вопросам, живые эксперты их оценивают и либо следуют им, либо выносят собственный вердикт.

Второе направление, которое достаточно активно развивается — системы автоматизации подготовки документов и отправка их в судебные и прочие юридические инстанции.

Ну и третье направление, к которому уже имеет отношение сервис UR-LI — оценка рисков при выборе контрагента и помощь во взыскании дебиторской задолженности. Об этом и поговорим ниже.

Оценка рисков контрагента — почему это важно и как реализуется?

В бизнесе дебиторская задолженность является частью оборотного капитала. Это зона ответственности финансистов и бухгалтерии. И здесь есть риски — если контрагент не соблюдает сроки выплат дебиторки, то компания лишается возможности получать с этих средств прибыль, несмотря на то, что формально они считаются активами. Чем больше доля просроченной дебиторки, тем сложнее предпринимателям исполнять взятые на себя обязательства, здесь уже ставится под угрозу весь бизнес. Чтобы не допустить подобной ситуации, у многих компаний есть специализированная процедура взыскания при помощи юристов.

Для того, чтобы лучше понимать, о чем речь, давайте рассмотрим основные признаки недобросовестных контрагентов. Думаю, это будет полезно для многих читателей Хабра, у которых есть собственный бизнес. При оценке благонадежности подрядчика очень важно обращать внимание как на отчетность, так и на особенности делового поведения потенциального партнера.

Признаки проблем в финансовой отчетности:

• Изменение суммы активов за последние три года. Насторожить должны резкое уменьшение стоимости основных средств, выручки или резкий рост кредиторской задолженности.
• Прибыли за последний отчетный период — они должны быть ненулевыми.

Признаки проблем при изучении информации из реестров:

• Юрлица нет в реестре ЕГРЮЛ на сайте ФНС.
• Имеются исполнительные производства, завершенные на основании того, что не удается установить местонахождение должника.
• Более 8 месяцев действуют приостановки операций по счетам от налоговой.

«Звоночки» в деловом поведении контрагента:

• Представители компании делают размытые заявления, которые невозможно проверить
• Заметна спешка во время переговоров и особенно при подписании документов. Такое поведение должно заставить вас предостеречься, так как существует вероятность мошенничества
• Формулировки о предоставлении каких-либо гарантий вам непонятны или сформулированы двусмысленно

Все достаточно просто, но тем не менее, оценку подобных рисков можно доверить искусственному интеллекту.

Технологии при анализе благонадежности контрагента

Как правило, собственные системы скоринга благонадежности контрагентов разрабатывают компании, работающие в оптовой торговле, производстве, строительстве и грузоперевозках. UR-LI сотрудничает с крупным и средним бизнесом, оборот которого составляет от 300 млн рублей в год. Для них потребность в возврате дебиторской задолженности контрагентов крайне важна.

Чаще всего скоринг базируется на обычных таблицах Excel. Есть и продукты для автоматизации скоринга, плюс, модули оценки предоставляют некоторые ERP- и CRM-системы.

Машинное обучение позволяет оптимизировать скоринговые модели, у ИИ два основных преимущества — это точность и скорость. Наш сервис позволяет рассчитать реалистичную сумму долга и предсказать шансы ее успешного взыскания. Такая точность достигается благодаря многофакторному анализу десятков типов данных и, что важно, их взаимосвязей между собой. Эти данные система рассчитывает за 4 минуты.

AI-сервис UR-LI — это цифровая экспертная система 1-го поколения, которая базируется на основе деревьев решений четкой и нечеткой логики. Таким образом, точность прогнозов по результатам более чем 1500 кейсов составляет 94% по сравнению с живыми экспертами — все благодаря быстрому и автоматизированную анализу больших массивов данных.

Хотелось бы подчеркнуть, что скоринг на базе машинного обучения лучше всего работает не в качестве какой-то отдельной системы, а в симбиозе с экспертизой профильных юристов, которые будут сопровождать бизнес на всех этапах оценки контрагентов.

Примеры работы с партнерами

У нашей компании два основных типа партнеров.

1. Организации, которые выдают займы предпринимателям. Они и сами активно вкладывают средства в развитие скорингового ПО, а мы — помогаем им улучшать свои экосистемы. Сейчас наши специалисты ведут работу с дебиторской задолженностью объемом в 30 млн рублей и выше.

Так, мы работаем с одним из лидеров отрасли кредитования бизнеса. Компания предоставила UR-LI для анализа 8 долгов, которые им не удалось вернуть. Мы выявили 2 долга на 3 млн рублей с высокой вероятностью возврата и заключили договор на их безавансовое взыскание.

2. Крупные производственные компании и ритейлеры. У большинства партнеров есть штатные команды юристов, но при работе с нашей технологией, эффективность работы юристов увеличивается.

Напоследок отмечу: оценивать благонадежность контрагентов хотя бы на базовом уровне стоит любой компании. Ну а технологии, включая скоринг с помощью машинного обучения, позволяют повысить эффективность такой работы и оптимизировать бизнес компании.