Андрей Пашкевич, генеральный директор компании «Юрробот» (резидент «Сколково»):
По прогнозам экспертов, к концу 2020 года коммунальные долги россиян вырастут до 1,6 трлн рублей. Сфера ЖКХ, и без того уязвимая, терпит значительные убытки от пандемии. Власти отреагировали на бедственное положение населения и ввели мораторий на пени за неоплату ЖКУ.
В результате сдерживающий психологический фактор исчез: просрочки ведь ничем не грозят. И уже в марте неуплаты в зависимости от региона достигали 10-20%. Вместе с тем расход электроэнергии и воды с начала года у среднего домохозяйства вырос в 2,5 раза. Если раньше все работоспособные люди днем были на работе, во время режима изоляции они целыми днями сидели дома. А это сидение целиком завязано на электроприборах.
Аналитики предупреждают: мораторий на пени не означает отмены оплаты по квитанциям ЖКХ. Даже обычная коммунальная безграмотность, то есть просрочка по оплате больше трех месяцев, может привести к тому, что управляющая компания рассчитает затраты энергии по средним показателям, которые, как правило, значительно выше фактических. Кроме того, неплатежи приводят к росту тарифов, так как бремя неуплат ложится на добропорядочных плательщиков.
В итоге получается замкнутый круг: тарифы растут, на управляющие компании и суды ложится дополнительная нагрузка по взысканию долгов, ресурсоснабжающие компании не могут из-за недостатка средств подготовиться к отопительному сезону. А неплательщики в самом крайнем случае попадают в неприятную историю с выселением и продажей квартиры в счет погашения долга, если его размер пропорционален стоимости квартиры.
Полная автоматизация
Взыскание задолженности в сложившихся условиях становится малоэффективным и затратным процессом. Юрист в организации работает с большим объемом документов, за месяц он может обработать не более 120 заявок. Причем действовать он должен оперативно: срок исковой давности по долгам составляет всего три года. А ведь для части должников приходится заново составлять документы уже для взыскания через суд. После суда также требуется подготовить документы для исполнительного производства или апелляции. К тому же у некоторых юридических и физических лиц через некоторое время снова появляется задолженность, и в этих случаях приходится заново изучать все документы.
Платформа «Юрробот», разработанная резидентом Фонда «Сколково», — это инновационное облачное решение по автоматическому взысканию и анализу задолженностей с помощью машинного обучения (МО) и искусственного интеллекта (ИИ).
ПО упрощает работу с должниками для юристов, управляющих компаний, ресурсоснабжающих организаций, коллекторов.
Искусственный интеллект автоматизирует весь цикл работы с должником - от автоматического роботизированного обзвона, расчетов пени, госпошлины, определения подсудности, реквизитов суда и формирования электронного документооборота претензионно-исковой деятельности до отправки документов в суд онлайн, используя электронную цифровую подпись (ЭЦП), формирования вынесенного судебного решения для мирового судьи и исполнительного листа, запроса в ФНС и банки для судебных приставов. «Юрробот» может даже найти нужную информацию о должнике в соцсетях. ПО анализирует должников и классифицирует по типу (юрлицо или физлицо), сумме задолженности, истории задолженностей и др. персональные данные обезличиваются, хранятся как хеш-функция и шифруются.
В каждом случае решение предлагает оптимальную стратегию взыскания. Даже робот звонит в то время, когда абонент точно снимет трубку. Сообщения рассылаются по всем аккаунтам. При использовании электронных средств связи программа предоставляет возможность оплаты задолженности онлайн.
Пошлина и пеня рассчитываются автоматически за несколько секунд: у юриста это заняло бы несколько часов.
«Юрробот» умеет формировать заявление о взыскании задолженности и подписывать его с помощью электронной цифровой подписи. Программа определяет подсудность спора и адрес судебного участка: арбитражный, мировой или гражданский суд.
Затем платформа отслеживает статусы исков и судебных приказов. В зависимости от решения суда ИИ генерирует текст заявления для апелляции или заявления приставам о возбуждении исполнительного производства и отправляет его по нужному адресу.
Система ведёт учёт мероприятий (мер) по взысканию задолженности, примененных к должникам. Документы этапа исполнительного производства хранятся в системе. ИИ формирует отчеты по текущему состоянию задолженности, отслеживает статус исполнительного производства и оплату задолженности.
Практика использования платформы «Юрробот показала, что временные и финансовые затраты на взыскание задолженности снижаются на 90% за счет полной автоматизации всех процессов, количество ошибок в документах сокращается на 100% за счет исключения человеческого фактора, а безбумажный документооборот интегрируется с судебными и иными органами, государственными базами данных.
Анализ дебиторской задолженности с помощью машинного обучения
Система анализирует каждый сегмент должников по отдельным скоринговым моделям и рассчитывает их платежеспособность. Программный комплекс способен к самообучению и ретроспективному анализу поведения должника по 50 параметрам. Для скоринга используется классификатор на основе градиентного бустинга над решающими деревьями. В качестве признаков применяются все доступные числовые (например, возраст, сумма предыдущей задолженности) и категориальные параметры (пол, семейный статус, регион) физического или юридического лица. Нужна и текстовая информация. Например, если адрес регистрации юрлица – адрес массовой регистрации, велика вероятность, что это фирма-однодневка. Присутствие в реестре квалифицированных подрядных организаций, напротив, говорит о платежеспособности фирмы. Градиентный бустинг над решающими деревьями — это мощный инструмент анализа данных. При использовании алгоритма сначала строится решающее дерево (базовый алгоритм). После чего сравниваются предсказанные значения с реальными ответами. На разностях предсказанных и реальных ответов обучается следующее решающее дерево (по тем же самым признакам), которое уточняет ответы базового алгоритма, тем самым уменьшая итоговую функцию потерь. Данная итерация повторяется несколько раз, улучшая качество на обучающей выборке. Для контроля качества используются перекрестная проверка (кросс-валидация).
В системе используются одна из самых современных реализаций градиентного бустинга — Catboost. Catboost — это эффективная высокопроизводительная масштабируемая библиотека, разработанная компанией Яндекс и используемая в поиске, Яндекс.Маркете Яндекс.Музыке и др. Она позволяет производить расчёты на графических ускорителях (GPU), повышая скорость обучения в десятки раз (в сравнении с работой на процессоре). Catboost позволяет работать с категориальными данными без предварительной обработки (например, one-hot-encodding), что упрощает процесс анализа. Для настройки гиперпараметров алгоритмов используются Байесовская оптимизация. Качество предсказаний классификатора оценивается с помощью метрики ROC-AUC, которая отображает соотношение между долей верно классифицированных объектов (True positive rate) от доли ошибочно классифицированных объектов (False positive rate).
Анализ и обработка документов
Для обработки текстовых документов используются алгоритмы на основе рекуррентных нейронных сетей: сеть с долговременной и кратковременной памятью (LSTM) и управляемый рекуррентный блок (GRU). Такие модели применяются во многих современных онлайн-переводчиках (Google translate, Яндекс.переводчик), для распознавания речи, генерации текста по картинке (вместе с свёрточной сетью) и др. Рекуррентные сети обучаются на последовательном наборе данных (буквы из текста, последовательные спектры аудиоданных). На выходе каждого шага работы сети нейронная сеть выдаёт некоторый ответ (например, следующую букву), а также скрытое состояние, которое подаётся заново на вход сети вместе со следующими входными данными. Обучение сети происходит за счёт метода обратного распространения ошибки: при этом меняются значения элементов в матрицах, на которые умножаются входной и скрытый вектора.
При обучении используются существующие юридические документы и готовые шаблоны. Для автоматического написания ответных документов (например, документ из суда и апелляционное заявление) используются seq2seq модель, состоящая из двух рекуррентных сетей: одна выучивает текст первого документа и передаёт своё скрытое состояние во вторую рекуррентную сеть. Вторая сеть анализирует скрытое состояние из первой сети и предыдущий символ и на их основе предсказывает следующий символ в тексте. Пример работы алгоритма на основе нейронной сети: сначала анализируется текст, определяется результат судебного решения (положительный или отрицательный). В случае отказа нейронная сеть готовит апелляционное заявление, а в случае положительного результата — документы для исполнительного производства. Для работы с рекуррентными нейронными сетями используется свободная программная библиотека (фреймворк) TensorFlow от компании Google. В данный момент это самый популярный фреймворк для работы с нейронными сетями. Также в качестве надстройки над TensorFlow используется библиотека Keras, упрощающая работу с сетями глубинного обучения.
Кейс с УК***
Проблемы управляющей компании: - задолженность 78 млн рублей
-- начислено пени 24 млн
- сроки задолженности достигли 3 лет
- количество должников - 13365 человек
За 6 месяцев после внедрения ПО «Юрробот»:
- задолженность сократилась до 59 млн рублей
- возврат задолженности возрос на 32%, за счет автоматизации появилась дисциплина в оплате задолженности
- сократились расходы в 12 раз по работе с задолженностью за счет автоматизации
- документы были подготовлены за один день по 13365 должникам. Система рассчитывает 10 000 должников в минуту.
*** название не разглашается.
Комментарий удален модератором