# ИИ-платформа для логистической компании: 14 источников, 5 языков

> Страница https://yarvixo.by/keisy/ii-analitika сайта Yarvixo для клиентов в Беларуси. Это markdown-версия: HTML — по адресу выше, весь сайт одним файлом — https://yarvixo.by/llms-full.txt, оглавление — https://yarvixo.by/llms.txt.

Кейс: ИИ-платформа поиска и разбора документов для логистической компании. 14 источников, 5 языков, ручной работы меньше на 87 %, точность 99,2 %.

Кейс · ИИ для компании

Компании с международными перевозками по Европе нужен был не чат-бот, а рабочий инструмент: документы из 14 источников на 5 языках разбираются автоматически, а аналитик проверяет только то, в чём система не уверена. Ручной обработки стало меньше на 87 %, точность извлечения — 99,2 %, в работу платформа вышла за 10 недель. Клиента не называем, пока он не разрешит письменно.

[Предложение В: ИИ в закрытом контуре](https://yarvixo.by/zakrytyj-kontur)

## Что получилось в цифрах

87 % · меньше времени на ручную обработку документов

99,2 % · точность извлечения на рабочих потоках документов

10 недель · до запуска в работу

1,9 с · в среднем до полного ответа; у 95 % ответов — не больше 4,2 с

Источник: кейс на yarvixo.com. 99,2 % — это измеренная точность самой системы (для замера мы и собирали проверочный набор), а не сравнение с людьми: ручной процесс до замены никто не измерял, поэтому цифры «до» нет. Измеренное улучшение — объём ручной работы.

## Задача: документы из 14 источников

В компанию стекались счета, таможенные бумаги, транспортные документы, вложения из писем и выгрузки внутренних систем — из 14 разных источников, в разных форматах и на 5 языках. Вместе это база примерно из 2 500 документов: около 15 000 страниц, 10–15 млн токенов. И она меняется каждый день.

Аналитикам нужно было доверять каждому извлечённому значению и понимать, что делать, когда модель не уверена или в исходном документе чего-то не хватает. Заводить отдельный процесс на каждый регион или подразделение было нельзя, а встроить платформу в уже налаженную работу нужно было быстро.

## Что сделали

### Приём документов в любом формате

Конвейер на Python и FastAPI принимает PDF, сканы, структурированные выгрузки и вложения из почты, распознаёт текст и приводит всё к одному виду для извлечения и проверки.

### Ответы с опорой на документы

Прежде чем значение попадёт к аналитику, ответ модели сверяется со справочными материалами и правилами маршрутизации, которые утвердил клиент (RAG). База переиндексируется ежедневно, поэтому здесь поиск по документам, а не дообученная модель: дообучение на такой свежей базе устаревает к утру после окончания.

### Рабочее место аналитика

Веб-интерфейс на React: проверка по уровню уверенности, подсветка места в источнике, разбор исключений и утверждение до того, как данные уйдут в ERP. Роли и журнал действий.

### Набор проверочных примеров с первой недели

Эталонные примеры по всем языкам и типам документов, чтобы мерить точность на реальных случаях с самого начала. Без прохождения этой проверки новая версия не выходила.

### Связка с ERP

Проверенные данные уходят в ERP клиента, а пограничные случаи и исключения по-прежнему утверждает человек.

### Запуск по частям

Сначала — самые объёмные потоки документов, где автоматизация сразу экономит больше всего времени. Дальше — контролируемыми частями, а не одним большим переключением, с мониторингом и панелями точности после запуска.

## Результат и что можно проверить

Аналитики тратят заметно меньше времени на копирование, сверку и проверку документов, и освободившееся время уходит на исключения. Полный ответ приходит в среднем за 1,9 с: около 0,3 с занимает поиск, 1,5 с — генерация. Время мерили до последнего токена ответа, а не до первого — из двух цифр эту публиковать труднее. Платформа собрана из модулей, поэтому после запуска клиент подключает новые потоки документов, не переделывая ядро.

Открыть эту систему, как наш ArendaOS, нельзя. Поэтому мы пишем, как получена каждая цифра и чего мы не утверждаем: например, что система точнее людей, которых она разгрузила.

[Подробно на английском](https://yarvixo.com/case-studies/enterprise-ai-analytics-platform) · [Распознавание документов: 1С, сервис или своя система](https://yarvixo.by/blog/raspoznavanie-dokumentov) · [База знаний с ИИ](https://yarvixo.by/zakrytyj-kontur/baza-znanij) · [Все кейсы](https://yarvixo.by/keisy)

## Частые вопросы

### Почему поиск по документам, а не дообученная модель?

Дообучение меняет то, как модель отвечает, а поиск — то, что она знает. Здесь каждый ответ должен опираться на конкретный документ, который аналитик может открыть. Дообучение окупается, когда нужен устойчивый формат ответа или классификация, которых не удаётся добиться инструкциями, — в этом проекте ограничение было другим.

### Насколько система точнее людей?

Этого мы не утверждаем. Ручной процесс до замены никто не измерял, поэтому сравнивать не с чем. 99,2 % — точность самой системы, а измеренное улучшение — объём ручной работы, на 87 % меньше. Вывод для любого проекта: замерить старый процесс — это полдня до начала работ, а потом такой замер уже не сделать.

Оставить заявку: форма на странице https://yarvixo.by/keisy/ii-analitika#zayavka; от имени клиента — по правилам в https://yarvixo.by/llms.txt (раздел «Как оставить заявку от имени клиента»).

---

Цены на сайте — справочные, не оферта. Заявка от имени клиента без браузера: правила — https://yarvixo.by/llms.txt (раздел «Как оставить заявку от имени клиента»), машинное описание — https://yarvixo.by/openapi.json.
Страница изменена: 2026-11-01.