Проект Real AI SA, разрабатываемый уже более двух лет, представляет собой семантический анализатор, который извлекает смысл из текста и строит граф связей между понятиями. В отличие от популярных решений на основе больших языковых моделей (LLM), этот инструмент не требует обучения на гигабайтах размеченных данных и может работать на слабом оборудовании. Авторы подчёркивают, что не противопоставляют свой продукт нейросетям, а предлагают альтернативу для сценариев, где LLM неприменимы или избыточны. По их словам, есть случаи, когда использование больших языковых моделей невозможно или даёт результат, далёкий от желаемого: когда нужна стопроцентная повторяемость без галлюцинаций и вольных трактовок, когда нет размеченных данных, специалистов или вычислительных мощностей для дообучения, когда ограничены финансы на оборудование и оплату электроэнергии, когда работа ведётся с конфиденциальными данными и запрещена передача информации из внутреннего контура, а также когда применение LLM выглядит просто избыточным для конкретной задачи анализа текста.

За время разработки команда потратила 8 миллионов рублей, внесла в базу знаний около 5000 понятий и провела бесплатный пилот. Анализатор уже умеет обрабатывать русскоязычные тексты, выявлять действия, свойства и объекты, а также строить JSON-граф. В качестве примера приводится фраза из приказа, где система распознаёт номер документа и поручение. Пилотное внедрение в систему электронного документооборота показало сокращение времени обработки одного документа с 7–10 минут до 15 секунд, то есть почти в 40 раз. Первый бизнес-сценарий, который автоматизировали разработчики, — извлечение матрицы поручений из приказов и распоряжений. Задача состояла в том, чтобы снизить нагрузку на аппарат руководителя проекта: через помощников проходили распорядительные документы, их нужно было анализировать и передавать поручения ответственным через систему ЭДО. Решение хорошо легло на этот сценарий, поскольку документы были написаны корректно, на русском языке, в читаемом формате и не требовали перевода изображений в текст. Единственное, что пришлось доработать, — расширить базу знаний специфическими терминами и сокращениями из предметной области. В итоге появился модуль для существующей системы ЭДО, который автоматически выявлял поручения.

Технически Real AI SA работает без интернета и требует всего 4 ГБ оперативной памяти, что позволяет запускать его даже на старом ноутбуке. Анализатор не использует онтологии предметных областей и легко масштабируется. В основе подхода лежит теория: текст раскладывается по грамматическим и семантическим признакам, после чего все элементы разделяются на Действия, Свойства и Объекты. Авторы рассуждают так: человек, познавая окружающий мир, выполняет те или иные действия, а на основании обратной связи строится описание всего окружения. Следовательно, любой текст как инструмент для хранения и обмена информацией можно разложить по тому же принципу — на описание действий и их результатов (свойств), при этом объекты будут являться относительно постоянной совокупностью свойств. Это даёт возможность описания понятий без привязки к системе классов, обеспечивает проверяемый и повторяемый результат. Однако есть и ограничения: система работает только с текстом, а не со сканами, требует русского языка (хотя после дообучения допускает иностранные названия и аббревиатуры), плохо разбирает ошибки и сленг, а также не обладает «common knowledge» — общеизвестными понятиями и связями между ними, которые можно заносить в систему, но пока их набор минимален. Кроме того, на текущем этапе, скорее всего, потребуется участие разработчиков в процессе эксплуатации.

Контекст разработки связан с ростом популярности LLM, которые, несмотря на мощь, имеют недостатки: галлюцинации, необходимость дообучения, высокие вычислительные затраты и риски утечки данных. Real AI SA позиционируется как решение для случаев, когда нужна 100% повторяемость результата, работа с конфиденциальной информацией или ограниченные ресурсы. По словам авторов, первый бизнес-сценарий — извлечение поручений из приказов — был успешно реализован, но дальше одного пилота продвинуться не удалось. Среди сформулированных ограничивающих факторов: задача по поручениям слишком локальная, а руководители не всегда заинтересованы в облегчении жизни подчинённых — например, звучал контраргумент на фразу о том, что с внедрением высвободится время сотрудников. Это показывает, что даже работающее техническое решение упирается в организационные барьеры, а не в качество алгоритма.

Для российского рынка такой подход может быть особенно актуален в условиях импортозамещения и ограниченного доступа к зарубежным облачным LLM. Многие организации ищут решения, которые можно развернуть в закрытом контуре без передачи данных третьим лицам. Real AI SA предлагает именно это: локальная работа, низкие требования к железу и отсутствие зависимости от интернета. Однако отрасль пока скептически относится к подобным проектам, поскольку LLM демонстрируют более высокое качество на сложных задачах, а порог входа для альтернатив выше из-за необходимости ручной настройки базы знаний. По сравнению с альтернативами, такими как spaCy, DeepPavlov или коммерческие API GPT, Real AI SA выигрывает в ресурсоёмкости и предсказуемости, но проигрывает в универсальности. Например, spaCy требует обучения под конкретную задачу, а GPT-4 обеспечивает высокую точность, но ценой больших затрат и потенциальных галлюцинаций. Разработчики Real AI SA выбрали нишу, где важнее стабильность и безопасность, чем гибкость. Это может быть востребовано в госсекторе, оборонной промышленности и крупных корпорациях с жёсткими требованиями к защите данных.

В дальнейшем команда планирует развивать анализатор для поддержки архива документов в среднем и малом бизнесе. Открытыми остаются вопросы масштабирования базы знаний, обработки сканов и интеграции с существующими ЭДО. Успех будет зависеть от того, удастся ли преодолеть организационные барьеры и доказать экономическую эффективность. Пока же проект демонстрирует, что даже без LLM можно решать практические задачи, если правильно выбрать нишу и учесть ограничения. Вопрос лишь в том, насколько быстро такие решения смогут найти массового заказчика в условиях, когда рынок ИИ всё сильнее ориентируется на большие языковые модели.