SOFROS AI/ML в работе: реальные кейсы и измеримый экономический эффект от нормализации данных

В серии предыдущих публикаций Habr AI авторы подробно рассказали, почему нормативно‑справочная информация (НСИ) неизбежно деградирует, как построен сервис SOFROS AI/ML и какие модели работают «под капотом». Теперь они переходят от теории к практике, показывая, как сервис решает реальные бизнес‑задачи и какие цифры получаются после внедрения.

Ключевые кейсы

• Ритейл‑группа «ТоргСеть» интегрировала SOFROS в 1С:MDM для автоматической нормализации товарных справочников. За первый квартал время ручного ввода сократилось с 12 ч до 7 ч в неделю (‑40 %). Ошибки в артикулах упали с 5 % до 0,5 %, что позволило избежать переплат в размере ~1,2 млн ₽.
• Производственная компания «Металл‑Плюс» использовала модель кластеризации на основе BERT для объединения дублирующих записей в базе поставщиков. Экономия трудовых ресурсов составила 350 ч в год, а экономический эффект – около 800 тыс. ₽.
• Финансовый сервис «Кредит‑Эксперт» автоматизировал проверку соответствия регулятивным требованиям с помощью классификатора, построенного на fine‑tuned RoBERTa. Время проверки заявки сократилось с 15 мин до 2 мин, а количество отклонённых заявок из‑за ошибок в данных упало на 70 %.

Технические детали Сервис опирается на несколько моделей: классификатор на базе RoBERTa для определения типа записи, кластеризатор‑BERT для поиска дублей и регрессионную модель для оценки вероятности ошибки. Все модели обслуживаются через REST‑API и интегрируются в 1С:MDM через готовый коннектор.

Экономический эффект По итогам первых шести месяцев работы в проектах, суммарная экономия составила более 2 млн ₽, а количество исправленных ошибок превысило 12 тыс. единиц. Авторы подчёркивают, что ROI достигается уже в первые 3‑4 месяца после внедрения.

Ссылки

• Предыдущие статьи серии: https://habr.com/ru/companies/sofros/articles/1068234/ и https://habr.com/ru/companies/sofros/articles/1068235/
• О сервисе SOFROS AI/ML: https://sofros.ai/ml