Команда под руководством Алексея, главы ML-направления, внедрила метод ускорения обучения ИИ для поиска аномалий. Вместо ожидания накопления исторических данных специалисты разворачивают пилотный проект, который создает разметку в процессе работы. Это позволяет избежать задержки в полгода или год, обычно требуемой для подготовки обучающей выборки.
Метод протестирован на задачах контроля закупок, включая поиск завышенных цен, нецелевых расходов и внетендерных операций. Использование классического обучения с учителем невозможно из-за отсутствия данных, а модели без учителя часто дают ложные срабатывания. LLM без эталонных значений также не способны корректно определять рыночную стоимость.
Архитектура решения строится на основе слоя правил, который выступает в роли инструмента для сбора разметки в режиме реального времени. Модель машинного обучения подключается поверх этого слоя на более позднем этапе. Такой подход позволяет системе приносить пользу сразу после запуска, не дожидаясь формирования полноценной базы эталонных данных.
