В НГУ создали ИИ-систему для анализа инвестпроектов

Архитектура: четыре модуля вместо одной модели

Главное в разработке — модульность. Это не монолитный запрос к LLM «расскажи мне всё про проект», а конвейер с чёткой разделкой задач:

• Классификатор стадии проекта. На входе — сырой текст с сайта, новости или тендерной площадки, на выходе — метка стадии реализации. Задача сводится к supervised-классификации с применением трансферного обучения.

• Модель оценки инвестиционной перспективности. NLP-модель на методах машинного и глубокого обучения, которая выдаёт оценку перспективности проекта.

• Генератор описаний. Отдельная генеративная модель собирает связную аннотацию — для дашбордов, отчётов и карточек в базе.

• Гибридный модуль определения объёма инвестиций. Комбинация подходов, чтобы извлекать цифры из текста, а не угадывать их.

Вся обвязка стоит на веб-парсинге открытых источников и обработке естественного языка. По описанию разработчиков, архитектура — не про «один промпт к большой модели», а про связку узкоспециализированных модулей под конкретные параметры задачи.

Скорость итераций: неделя → четыре часа

Главный параметр для бизнеса — время обработки. Неделю ручного мониторинга система сжимает до трёх–четырёх часов. Это ускорение на порядок и более: при регулярном потоке новых проектов лимит человеческого ресурса перестаёт быть узким местом пайплайна, а аналитик подключается уже на этапе верификации, а не первичного сбора.

Дополнительный плюс — за счёт выделенных моделей под каждый параметр снижается риск галлюцинаций: генератор описаний отвечает только за нарратив, а цифры и стадии выдают классификаторы. Классический приём — разделить генерацию и фактологию по разным контурам и не мешать их в одной LLM.

Где применимо и что отслеживать

Заявленные пользователи — исследовательские центры, органы управления и аналитические подразделения, то есть мониторинг инвестиционной активности и актуализация баз данных. Для бизнеса это сигнал в сторону скоринговых сервисов и автоматизации разведочного анализа рынка: до того как платить аналитику за отчёт, можно прогнать массив открытых источников и получить черновую карту проектов для дальнейшего геоинформационного анализа.

Что стоит проверить на следующих итерациях:

• Открытость решения. Пока разработка описана на уровне пресс-релиза — есть ли API, лицензия, пилотные кейсы.

• Точность по каждому модулю отдельно, а не сводная формулировка «система работает».

• Устойчивость парсинга к неструктурированным сайтам и региональным источникам.

Если НГУ выведет систему в пилот с региональными инвестиционными агентствами, это будет один из немногих отечественных кейсов прикладного ИИ в инвестиционной аналитике с заявленной промышленной метрикой, а не демо-видео.