Компания Sosys создает частного финансового агента с использованием искусственного интеллекта и данных из различных источников

Sosys ( ). Работая по модели B2B-предприятий, компания обслуживает портфель средних и крупных клиентов, распределенных по различным отраслям, которые требуют высокоточной аналитической обработки данных.

Деятельность компании Sosys основана на обеспечении управления, соблюдении нормативных требований и прозрачности транзакций. В условиях сложной макроэкономической ситуации, обусловленной предстоящей налоговой реформой и необходимостью консолидации фискальных и операционных данных, Sosys столкнулась с задачей масштабирования своего ценностного предложения. Главная цель заключалась в переходе от статических аналитических отчетов к прогнозной и децентрализованной архитектуре принятия решений, исключающей зависимость от ручных рабочих процессов и трудоемких запросов к реляционным базам данных своих клиентов.

Реальная проблема

В традиционной операционной модели клиентов Sosys принятие важных решений страдало от задержек в обработке данных, вызванных информационными разрозненностями. Основные переменные для расчета темпов роста, прогнозирования денежных потоков и потребностей в оборотном капитале были фрагментированы в различных средах: реляционные базы данных в ERP-системах, журналы взаимодействия в CRM и децентрализованные электронные таблицы.

Операционные узкие места и технические ограничения

• Чрезмерная задержка в анализе: консолидация структурированных управленческих отчетов зависела от ручного извлечения данных и процессов перекрестной проверки. Ответы на стратегические вопросы, такие как моделирование нарушений контрактов или влияние дефолта на денежный поток, требовали нескольких дней внутренней обработки и последовательных технических совещаний.
• Фрагментация и несогласованность схем: отсутствие единого уровня очистки данных привело к расхождениям в метриках между выручкой, зарегистрированной в CRM, и бухгалтерской сверкой в ​​ERP.
• Риски, связанные с соблюдением нормативных требований и мошенничеством: непосредственная обработка конфиденциальных финансовых данных операторами-людьми увеличила поверхность атаки для мошенничества и несоблюдения налогового законодательства, нарушая принципы корпоративного управления и информационной безопасности.
• Непосредственные финансовые последствия: неспособность прогнозировать динамические сценарии на основе условий оплаты и инкассации (DSO и DPO) привела к неэффективному распределению капитала, возникновению упущенных возможностей и несоответствию между прогнозируемым и фактическим денежным потоком.

Архитектура решения

Для преодоления этих ограничений компания Sosys использовала Skyone Studio— интеллектуальную платформу интеграции и искусственного интеллекта, которая объединяет инструменты iPaaS, Lakehouse, агентов ИИ и разговорные интерфейсы с бизнес-аналитикой. Архитектура, реализованная для создания Нанды, виртуального финансового директора Sosys, была структурирована в пять основных уровней в рамках потока обработки Skyone Studio:

Компоненты и технологический стек

1. Обработка данных через iPaaS (платформа интеграции как услуга): асинхронное соединение посредством конвейеров данных, интегрирующих API ERP, CRM и устаревших рыночных систем. Автоматизированные потоки обеспечивают ввод данных в режиме реального времени, стандартизируя разнородные схемы.
2. Управление слоями и данными Lakehouse: использование управляемого репозитория Skyone Studio для организации аналитического процесса. Исходные данные (Raw DB) проходят автоматизированные процессы преобразования и очистки (Data Cleaner 2.0) для сохранения в оптимизированных представлениях (Prepared DB) и сегментации в хранилища данных (Data Marts) по запросу клиента.
3. Организационная оркестрация рабочих процессов: реализация автономного модуля на основе частных больших языковых моделей (LLM). Агент оркестрации способен понимать сложные текстовые задачи, планировать последовательности действий, выбирать инструменты (навыки ) и выполнять сканирование с помощью структурированных подсказок в аналитической базе данных.
4. Уровень безопасности, управления и защиты от мошенничества: вся передача и обработка полезной нагрузки происходит в защищенной экосистеме. Строгие правила проверки блокируют несанкционированные запросы и проверяют несоответствия транзакций перед отправкой данных на конечный интерфейс.
5. Многоканальное распространение информации по всем каналам: встроенная интеграция Skyone Studio с корпоративной системой обмена сообщениями, обеспечивающая доступ к интеллектуальным функциям агентов через WhatsApp Business, Microsoft Teams и структурированные частные чаты.

Технические проблемы

Разработка агента Nanda требовала минимизации компромиссов между архитектурой данных и генеративным искусственным интеллектом:

• Очистка данных на основе токенизации: языковые модели работают в условиях строгих контекстных ограничений (где 1 токен = 4 символа или 0,75 слова). Передача в языковую модель необработанных финансовых таблиц превысила бы контекстное окно и увеличила бы операционные затраты. Skyone Studio решила эту проблему, применив структурированное суммирование и собственный перевод естественного языка к SQL-запросам (текст-в-SQL) непосредственно в хранилищах данных , оптимизировав потребление токенов.
• Гарантия аналитического детерминизма: чисто генеративные модели подвержены галлюцинациям, что представляет собой неприемлемый риск для бухгалтерских балансов. В архитектуре реализованы методы RAG (Retrieval-Augmented Generation) в сочетании с перекрестной проверкой. Искусственный интеллект реагирует только на основе строго структурированных и проверенных данных, содержащихся во внутреннем хранилище данных решения (Data Lake).
• Разделение контекстов конфиденциальных данных: Чтобы предотвратить утечку данныхмеждуразличными корпорациями, обслуживаемыми Sosys, Studio логически изолировала базы знаний в отдельные зашифрованные разделы, поддерживая уникальные ключи доступа, привязанные к идентификатору каждой организации-пользователя.

Выполнение

Реализация проекта осуществлялась в четыре макроструктурированных этапа в рамках единой экосистемы Skyone:

Этап 1: Составление карты системных операторов и прием данных (iPaaS)

Составление карты всех источников транзакций клиентов (дебиторская и кредиторская задолженность, таблицы выставления счетов и журналы CRM). Настройка предварительно созданных коннекторов и шин API через конвейеры iPaaS Skyone Studio, обеспечивающая автоматизированный и непрерывный сбор информации.

Этап 2: обустройство и санитарная обработка дома на берегу озера

Централизация поступающих данных в слое озера данных. Внедрение логических потоков преобразования данных для удаления дубликатов, обработки полей со значением NULL и преобразования строк в стандартизированные числовые форматы для финансового аудита.

Этап 3: Оперативный инженерный и агентский рабочий процесс

Разработка алгоритма принятия решений интеллектуальным агентом в Studio. Настройка конкретных навыков,таких как: триггеры моделирования денежных потоков, процедуры проверки соответствия налоговому законодательству и оптимизированные генераторы запросов к базе данных. Интеграция с выбранными LLM и калибровка гиперпараметров температуры для устранения концептуальных отклонений.

Этап 4: Проверка безопасности и публикация в многоканальной среде

Утверждение интегрированного уровня защиты от мошенничества. Активация многоканальных издательских шлюзов для прямого подключения Nanda к производственным средам WhatsApp и Microsoft Teams утвержденных клиентов, что позволяет осуществлять корпоративное взаимодействие в режиме реального времени посредством аудио и текстовых сообщений.

Измеримые результаты

Переход аналитических операций в экосистему Skyone Studio, использующую генеративный искусственный интеллект, привел к ощутимым структурным улучшениям:

• Сокращение времени отклика аналитических инструментов: время обработки сложных запросов для планирования финансовых сценариев и формирования структурированных управленческих отчетов сократилось с нескольких дней до секунд, обеспечивая работу в режиме реального времени (круглосуточно, без выходных).
• Операционная эффективность: резкое сокращение объема доработок и необходимости проведения технических совещаний по согласованию требований для ручного извлечения данных из корпоративных баз данных.
• Активное снижение рисков мошенничества: внедрение автоматизированных оповещений в режиме реального времени. Если агент обнаруживает запланированный платеж без соответствующего входящего документа в ERP-системе, генерируется защитный триггер соответствия, блокирующий потенциальные узкие места или операционное мошенничество.
• Расширение доступа к информации: ускорение принятия тактических решений на заседаниях исполнительного комитета, устранение задержек, вызванных немедленным отсутствием подтвержденных макроэкономических показателей.

Уроки, извлеченные из опыта

1. Интеллектуальность зависит от предварительной структуризации: продвинутые модели генеративного ИИ теряют свою операционную полезность при применении к неорганизованным или поврежденным базам данных. Успех Нанды заключался в способности Skyone Studio обрабатывать, очищать и организовывать данные в слое Lakehouse до их обработки LLM.
2. Подход, ориентированный на прикладной уровень: гибкая разработка инновационных корпоративных решений не требует от компаний создания фундаментальных моделей ИИ с нуля. Реальная ценность для предприятия раскрывается за счет координации существующей инфраструктуры LLM с частными, специфичными для бизнеса данными.
3. Безопасность как необходимое условие для масштабирования ИИ: в сегменте B2B-бизнеса интеллектуальная обработка конфиденциальных данных возможна только при строгих рамках управления и изолированных средах, обеспечивающих непрерывное соблюдение нормативных требований.

Часто задаваемые вопросы

Что такое частный финансовый агент с использованием ИИ?

Это интеллектуальная архитектура, основанная на языковых моделях (LLM), которая функционирует в закрытой корпоративной среде. В отличие от общедоступного искусственного интеллекта, частный агент использует эксклюзивные внутренние данные компании (такие как ERP и CRM), гарантируя полную конфиденциальность, управление на основе принципа «нулевого доверия» и высокоточные аналитические ответы без обмена информацией с внешними источниками.

Как Skyone Studio обеспечивает безопасность конфиденциальных финансовых данных?

Skyone Studio работает за счет объединения уровней безопасности, соответствия нормативным требованиям и защиты от мошенничества в потоке данных. Данные компании проходят логическую изоляцию в выделенных структурах Lakehouse, предотвращая перекрестный доступ или утечку данных,при этом сохраняя полную отслеживаемость транзакций в соответствии со строгими стандартами корпоративного управления.

Как работает процесс интеграции данных из нескольких источников в Skyone Studio?

Платформа работает на основе интегрированного решения iPaaS, которое централизует и координирует информационные потоки из более чем 400 рыночных систем (таких как ERP, CRM и внешние базы данных). Эти конвейеры извлекают, очищают и стандартизируют структурированные и неструктурированные данные, автоматически загружая их в единую систему Lakehouse для немедленного использования агентами искусственного интеллекта.

Может ли использование генеративного ИИ в корпоративных финансах привести к ошибкам в отчетах?

Чтобы избежать аналитических ошибок или искажений, в архитектуре данных, применяемой в Skyone Studio, используются передовые методы RAG (Retrieval-Augmented Generation). Это означает, что агент искусственного интеллекта технически ограничен в возможности отвечать на вопросы, используя исключительно реальные, чистые и проверенные данные, содержащиеся в частном хранилище данных организации (Data Lake), что обеспечивает математический детерминизм в ответах.