Контрольные школьников, тысячи платежей в день и обработка обращений граждан: практические кейсы использования ИИ в госучреждениях
Трудоемкость процесса ручной проверки и риски ошибок при обработке самых разнообразных документов – собрали реальные примеры, как системы с использованием ИИ позволяют автоматизировать анализ больших массивов информации и не допускать неточностей и задержек.
Кейс 1. Автоматическая обработка бланков Всероссийских проверочных работ в школах Петербурга
Каждую весну школьники по всей стране сдают контрольные работы по общеобразовательным предметам – Всероссийские проверочные работы пишут ученики с четвертого по восьмой класс, а также 10-классники. Стандарт для такого среза знаний разработан Рособрнадзором.
ВПР — весьма трудоемкий процесс, ведь педагоги вручную должны были обрабатывать тысячи этих контрольных: для каждой проверочной заполнить электронную форму, куда занести индивидуальный код, номер варианта работы и баллы каждого ученика, размещенные на титульном листе. Затем — загрузить форму в государственную информационную систему «Федеральная информационная система оценки качества образования». Такая рутина съедала время учителей.
Для Комитета образования Санкт-Петербурга было разработано решение с применением технологий платформы ROBIN. Проект разработали и реализовали специалисты Санкт‑Петербургского информационно-аналитического центра (СПб ИАЦ) и лаборатории интеллектуальных сервисов и приложений «LISA»Университета ИТМО .
Программный робот собирает и подготавливает данные с титульных листов Всероссийских проверочных работ, после чего нейросеть распознает информацию, анализирует, рассчитывает сумму баллов по каждой контрольной и переводит данные в формат, подходящий для загрузки в федеральную систему.
В проекте удалось добиться значимого эффекта: обработка Всероссийских проверочных работ в пилотных школах стала выполняться в 20 раз быстрее – вместо нескольких недель процесс теперь занимает часы. Это позволило разгрузить педагогов и ускорить получение итоговых результатов. Успешный опыт может быть масштабирован на другие школы города.
Ежегодное проведение ВПР создает колоссальную нагрузку на учителей: необходимо вручную обработать сотни титульных листов — переносить баллы в электронные системы, проверять корректность кодов и архивировать результаты. Это трудоемкий монотонный процесс, где велик риск человеческой ошибки. В рамках цифровизации образования нашей приоритетной задачей стала автоматизация этой рутины. Мы разработали систему распознавания информации с бланков ВПР, которая не просто извлекает данные, а использует контекстно-обогащенную разметку . В итоге вместо недель проверки занимают считанные часы, высвобождая время педагогов для их профильных обязанностей
ROBIN совместно с СПб ИАЦ реализуют один из крупнейших проектов для автоматизации работы государственных органов: программные роботы и ИИ используются в администрации Петербурга и районов, городских службах.
Кейс 2. Обработка платежей в московском департаменте
Сотрудники одного из департаментов ежедневно вручную обрабатывали около 1 тысячи платежных документов, каждый из которых включал до 40 полей: ИНН, даты, номера договоров, суммы, реквизиты и т.д. На обработку одного пакета уходило до 10–12 минут, ошибки при вводе данных приводили к задержкам оплат и снижению эффективности работы.
Традиционные системы автоматизации не справлялись с обработкой большого объема разноформатных неструктурированных документов. Был внедрен IDP-сервис от SL Soft AI: он автоматически распознает и классифицирует платежные и сопроводительные документы, извлекает данные, разделяет файлы на отдельные документы, проверяет комплектность пакета и проводит междокументарные сверки. Затем передает документы в учетную систему ведомства. Сотрудники департамента привлекаются только к случаям, где сервис не уверен в результате обработки – для перепроверки.
В результате:
- в 3 раза ускорилась обработка платежных документов
- до 40 полей из 12 типов документов извлекаются в автоматическом режиме
- существенно сокращены ошибки вследствие человеческого фактора
Это позволили значимо снизить задержки выплат и высвободить временные ресурсы специалистов для выполнения других задач.
Кейс 3. Обработка обращений для государственного регулятора
Одной из федеральных служб требовалось ускорить обработку обращений граждан и организаций. Ручная классификация запросов, поиск ответственных исполнителей и подготовка ответов занимали много времени, фиксировались задержки и ошибки, а сотрудники выгорали.
На базе платформы ROBIN и ИИ-сервисов SL Soft AI был создан сервис, который автоматически классифицирует обращения, определяет тип заявителя, тематику, ответственное подразделение и исполнителя, а также предлагает варианты ответов. Система интегрирована c СЭД, базой знаний и во внутренние процессы ведомства.
ИИ-модель выделяет ключевые слова, термины и сущности, выстраивает связи между ними и предлагает проект ответа на основе накапливаемой базы знаний. Решение «учится» по мере обновления базы знаний федеральной службы, подстраиваясь под новые форматы обращений и изменения регуляторики.
В результате:
- автоматизирована обработка 85% обращений
- достигнута точность классификации 95%
- минизировано количество ошибок.
Это заметно разгрузило сотрудников первой линии, уменьшило текучесть кадров и улучшило качество коммуникации с гражданами, организациями и бизнесом за счет более быстрых и релевантных ответов.