Details

В работе рассматривается проблема автоматизации анализа многоконтурной банковской отчетности. Из-за разницы в правилах бухгалтерского и статистического учета между отчетами возникают расхождения. Применение классического машинного обучения здесь ограничено жесткими требованиями к прозрачности: финансовым аналитикам и аудиторам нужны интерпретируемые результаты с детальным разбором причин отклонений. Для решения этой задачи спроектирован и реализован автономный интеллектуальный агент. В предложенной архитектуре языковая модель выступает в роли планировщика, все вычисления и поиск информации делегированы внешним программным инструментам. В ходе работы были реализованы алгоритмы для автоматического сбора и очистки данных с сайта Банка России с последующей загрузкой в базу данных PostgreSQL. Для работы с текстовыми методологическими документами реализован модуль гибридного поиска. Извлечение точных числовых значений выполняется через генератор SQL-запросов. Непосредственный поиск причин отклонений опирается на математическое ядро из Lasso-регрессии и векторов Шепли. Логика рассуждений агента собрана в циклический граф, взаимодействующий с пользователем через потоковый API и Telegram-бот. Проведенные испытания на исторических данных подтвердили качество прогностической модели, достаточную точность извлечения контекста (метрика Hit@3 достигла 72,5%) и общую надежность системы.

This work focuses on automating the analysis of multi-contour bank reporting. Differences between accounting and statistical reporting rules inevitably lead to data discrepancies. Classical machine learning approaches fall short here due to strict transparency requirements: financial analysts and auditors need interpretable results with a detailed breakdown of why these deviations occur. To solve this, an autonomous AI agent was designed and implemented. In the proposed architecture, the language model acts strictly as a planner, delegating all computations and data retrieval to external software tools. The project includes a data pipeline that automatically collects and cleans reports from the Bank of Russia website, loading them into a PostgreSQL database. A hybrid search module was implemented to process regulatory documents, while exact numerical values are extracted using an SQL query generator. The actual root-cause analysis of the discrepancies relies on a mathematical core based on Lasso regression and Shapley values. The agent’s reasoning logic is structured as a cyclic graph that interacts with the user via a streaming API and a Telegram bot. Testing on historical data confirmed the quality of the predictive model, accurate context retrieval (with a Hit@3 metric reaching 72.5%), and the overall reliability of the system.

• Интеллектуальный агент для анализа многоконтурных банковских данных с применением машинного обучения
  • Введение
  • Глава 1. Аналитический обзор методов и технологий интеллектуального анализа данных банковской отчетности
  • Глава 2. Проектирование базы данных и разработка алгоритмов автоматизированного сбора и унификации данных
  • Глава 3. Проектирование инструментальных модулей извлечения и анализа данных
  • Глава 4. Программная реализация интеллектуального агента и вспомогательных модулей
  • Глава 5. Экспериментальные исследования и верификация результатов
  • Заключение
  • Список использованных источников