WO2022066034A1 - Автоматизация процессов взыскания дебиторской задолженности с использованием искусственного интеллекта - Google Patents

Автоматизация процессов взыскания дебиторской задолженности с использованием искусственного интеллекта Download PDF

Info

Publication number
WO2022066034A1
WO2022066034A1 PCT/RU2020/000506 RU2020000506W WO2022066034A1 WO 2022066034 A1 WO2022066034 A1 WO 2022066034A1 RU 2020000506 W RU2020000506 W RU 2020000506W WO 2022066034 A1 WO2022066034 A1 WO 2022066034A1
Authority
WO
WIPO (PCT)
Prior art keywords
module
debtor
court
formation
debts
Prior art date
Application number
PCT/RU2020/000506
Other languages
English (en)
French (fr)
Inventor
Андрей Александрович ПАШКЕВИЧ
Original Assignee
Общество С Ограниченной Ответственностью "Юрробот"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Общество С Ограниченной Ответственностью "Юрробот" filed Critical Общество С Ограниченной Ответственностью "Юрробот"
Publication of WO2022066034A1 publication Critical patent/WO2022066034A1/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Definitions

  • the present technical solution relates to the field of computer technology, in particular, to electronic platforms for automatic analysis and collection of debts using artificial intelligence, as well as to strategic computer technologies.
  • a solution is known from the prior art, chosen as the closest analogue to US 8930251 B2, 05/31/2012, which discloses a debt tracking device that accesses credit reports and / or other financial data that is available from one or more sources of financial data, for user and retrieves financial account information.
  • the debt tracker can parse account information to generate debt change information that indicates in the form of lists, tables, graphs, charts, and so on.
  • the proposed solution is aimed at eliminating the shortcomings of the current level 5 of technology and differs from those previously known in that the proposed platform: uses innovative technologies: artificial intelligence, machine learning and neural networks to automate and optimize the operation of the platform with a debtor position, prepares a complete set of documents for the court , as well as sending statements of claim to the court online using an electronic digital signature (hereinafter referred to as the EDS).
  • EDS electronic digital signature
  • the technical problem to be solved by the claimed solution is the creation of an electronic platform for automatic analysis and collection of debts using artificial intelligence. Additional options 5 implementation of the present invention are presented in the dependent claims of the invention. The technical result consists in the automatic implementation of the analysis and collection of debts. An additional technical result consists in expanding the arsenal of technical means of the platform.
  • an electronic platform for automatic analysis and collection of debts using artificial intelligence contains: convolutional neural networks, made with the ability to: predict the solvency of the client using a classifier based on gradient boosting over decision trees; recurrent neural networks, made with the possibility of: processing text documents; a pre-trial module configured to: download databases, filter and sort lists of debtors; taking into account the stage of work with the debtor; taking into account the measures of influence applied to the debtor; formation of documents of the pre-trial stage of work with the debtor; formation of an agreement on debt repayment, if necessary; automatic calculation of debts and penalties based on pre-trial debts; automatic formation of a payment schedule according to the user's parameters; displaying the composition of the debt in the context of the basis for the occurrence of debts; automatic accrual of a sanction in accordance with contractual terms or legal requirements; storing data of generated documents in the system; transfer of the debtor to the judicial module; judicial module, made with the ability to:
  • the pre-trial module is additionally configured to notify debtors by means of a voice robotic call and SMS. In a private implementation of the described platform, the pre-trial module is additionally configured to generate a list of debtors who have violated the terms of the Agreement.
  • the pre-trial module is additionally configured to: provide the user with the opportunity to print or save the generated documents in a given format, and also automatically sign with an electronic digital signature.
  • the judicial module is additionally configured to automatically determine the amount of the state fee depending on the amount of claims.
  • module of enforcement proceedings is additionally configured to: generate applications for the upcoming bankruptcy of the debtor with all attachments, including the formation of a payment order to pay the cost of placing the application; formation of applications for declaring the debtor bankrupt and the introduction of a monitoring procedure.
  • the hardware server infrastructure uses a geo-distributed cluster.
  • Fig. 1 illustrates the electronic platform business process diagram.
  • Fig. 2 illustrates the technical layout of the electronic platform.
  • Fig. 3 illustrates the technical layout of the database array.
  • Fig. 4 illustrates the block diagram of a database.
  • Fig. 5 illustrates a business process diagram of a platform in a court proceeding.
  • Fig. 6 illustrates a diagram of a computing device.
  • Fig. 1 illustrates a business process diagram of an electronic platform.
  • the diagram shows the process of working in the platform at all its stages from judicial work with a debtor to work with bailiffs.
  • the diagram describes in detail the process, which indicates all the steps of the client's work on the platform, indicating queries to the databases with which the platform is integrated, and also describes neural networks with the help of which the platform combines additional functionality that helps the user to carry out their activities in a single window without leaving the platform interface.
  • Fig. 2 illustrates the technical layout of the electronic platform.
  • the diagram describes the technical interaction of each block, from technical communication channels, gateways and the client side of the user interface for interacting with the platform, to the operation of the software and hardware, platform modules and query processing in the database.
  • Fig. 3 illustrates the technical layout of the database array.
  • the scheme describes the work and processing of queries in the database using machine learning technology (BIG DATA) and analysis by the scoring system of debtors, followed by forecasting the payment of debtors and a rating system.
  • BIG DATA machine learning technology
  • Fig. 4 illustrates the block diagram of a database.
  • the diagram illustrates the multi-threaded processing of socket requests for their subsequent saving or modification, as well as reading from the database.
  • Fig. 5 illustrates a business process diagram of a platform in a court proceeding.
  • the scheme illustrates the user's successive steps in working with debtors in the platform's "judicial proceedings" module.
  • the cloud platform allows the organization to reach a new level of digitalization, automation, accelerates, simplifies and significantly reduces time, eliminates the human factor by 100%, the cost of labor-intensive processes of working with receivables from individuals and legal entities.
  • the present invention is directed to providing an electronic platform for automatic analysis and collection of debts using artificial intelligence.
  • the proposed platform consists of several modules:
  • - pre-trial module made with the ability to: download databases, filter and sort lists of debtors; taking into account the stage of work with the debtor; taking into account the measures of influence applied to the debtor; formation of documents of the pre-trial stage of work with the debtor; formation of an agreement on debt repayment, if necessary; automatic calculation of debts and penalties based on pre-trial debts; automatic formation of a payment schedule according to the user's parameters; displaying the composition of the debt in the context of the basis for the occurrence of debts; automatic accrual of a sanction in accordance with contractual terms or legal requirements; storing data of generated documents in the system; transfer of the debtor to the judicial module;
  • a judicial module made with the ability to: prepare a complete set of documents required for filing with the court; processing and preparation of statements of claim; sending statements of claim to the court online using EDS; formation of court decisions on debtors; automatic integration with judicial databases to determine the number of a court case, court rulings and decisions; formation of a list of debtors with changes in the amount of debt in the course of legal proceedings; automatic calculation of debts and penalties based on court debts; automatic determination of the type of court in the application in accordance with the type of debtor and the amount; formation of documents at the stage of judicial proceedings; tracking the status of a judgment; decision making; transferring the debtor's data after the decision has been made to the module of enforcement proceedings; a module of enforcement proceedings, made with the possibility of: preparing and sending an application to the Unified Federal Register of Bankruptcy Information; formation of documents at the stage of presentation of a writ of execution to a bank or other settlement organization; saving the history of requests sent for each debtor and providing the user with
  • - database integration module configured to: integrate with external databases; collection and systematization of information from sites;
  • a data exchange module configured to: download data; data upload; synchronization of data with external systems of the client;
  • database integration module is responsible for integration with external API integration databases.
  • the pre-trial module can additionally be configured to notify debtors by means of a voice robotic call and SMS.
  • the pre-trial module may additionally be configured to generate a list of debtors who have violated the terms of the Agreement.
  • the pre-trial module can also be additionally configured to provide the user with the ability to print or save the generated documents in a specified format, as well as automatically sign with an electronic digital signature.
  • the judicial module may additionally be configured to automatically determine the amount of the state fee depending on the amount of claims.
  • the module of enforcement proceedings can additionally be configured to generate applications for the upcoming bankruptcy of the debtor with all attachments, including the formation of a payment order for the payment of the cost of placing an application and the formation of applications for declaring the debtor bankrupt and introducing a monitoring procedure.
  • the hardware server infrastructure can use a geo-distributed cluster (network equipment, server equipment, disk storage), allowing you to organize the maximum fault tolerance of the platform.
  • the innovativeness of the project lies in the use of machine learning algorithms for the automatic collection of receivables and the formation of documents for courts using machine learning algorithms, classification of debtors, forecasting the appearance of debt, predicting the likelihood of its collection, analysis of judicial sections of courts, analysis of legal documents, rating systems, drafting claims statements without the participation of a person, analysis of the court decision and drawing up appeals to courts of various instances in case of a negative outcome, formation of a court order for the courts with a decision.
  • a convolutional neural network has been developed for the analysis and forecasting of receivables, rating and image recognition.
  • Artificial intelligence, machine learning and neural network developed in Python, third-party open source libraries can be additionally used: OpenCV (computer vision and image processing) + Keras (neural network deep learning) and TensorFlow (neural network training), CRA, K-nears, NLP algorithms.
  • OpenCV computer vision and image processing
  • Keras neural network deep learning
  • TensorFlow neural network training
  • CRA aural network training
  • K-nears neural network training
  • a classifier based on gradient boosting over Catboost decision trees is used.
  • the hardware server infrastructure uses a geo-distributed cluster (network, server hardware, disk storage), which made it possible to organize the maximum fault tolerance and availability of the provided platform (SLA 99.999% - service downtime per year - 5 minutes), as well as the ability to scale the software part throughout the world.
  • SLA 99.999% - service downtime per year - 5 minutes the maximum fault tolerance and availability of the provided platform
  • Synchronous mode of data synchronization and asynchronous mode of synchronization between web applications and databases are used to keep data updated in real time on all nodes.
  • Asynchronous mode is used to synchronize data with a delay of 30 minutes to remote servers that are in the “hot standby” mode at one time.
  • data can be restored from a backup copy or a copy stored on the “hot standby” servers.
  • information on debtors is loaded in electronic format (xls, csv files) with, for example, but not limited to, utility bills for each month up to 36 months.
  • artificial intelligence Through artificial intelligence, they analyze the downloaded data (time of accrual and payment, debt), after which the processing and calculation of debt for all periods (debt, penalty, state duty) takes place. Information is processed for each debtor (debtor's details). The calculation and processing of information is carried out through: pre-trial, judicial and executive modules, which are implemented in the form of artificial intelligence.
  • a rating is assigned for each debtor. Rating is carried out by scoring the processed and analyzed data, taking into account the previously received data on the debtor.
  • the platform At the output, the platform generates a package of documents for each debtor for printing or filing online with the use of EDS:
  • the obtained judgment is analyzed by using machine learning algorithms.
  • the text is analyzed, the result of the judgment (positive or negative) is determined.
  • a classifier based on gradient boosting over decision trees is used for the scoring task that predicts the solvency of the client. All available numeric (for example, age, amount of previous debt) and categorical parameters (for example, gender, marital status, region) of an individual or legal entity are used as features. Text information is also used. For example, an important feature is the address of registration of a legal entity. person, if it matches the mass registration address, then there is a possibility that this is a one-day company. Another (positive) example is the presence of a firm in the register of qualified contractors.
  • Catboost is an efficient, high performance, scalable library. This library allows you to perform calculations on graphics accelerators (GPUs), thereby increasing the overall learning rate by dozens of times (compared to working on a processor). Catboost allows you to work with categorical data without pre-processing (for example, one-hot-encodding), which simplifies the analysis process.
  • Bayesian optimization is used to tune the hyper-parameters of the algorithms.
  • the quality of the classifier predictions is evaluated using the ROC-AUC metric, which displays the ratio between the proportion of correctly classified objects (True positive rate) and the proportion of erroneously classified objects (False positive rate).
  • the quality of the algorithm is evaluated by the area under the ROC curve. For a constant or random algorithm, ROC-AUC is 0.5, for an ideal algorithm, ROC-AUC is 1.
  • the second task where machine learning is used is the processing of text documents.
  • algorithms based on recurrent neural networks are used: a network with long-term and short-term memory (LSTM) and a controlled recurrent unit (GRU).
  • LSTM long-term and short-term memory
  • GRU controlled recurrent unit
  • Such models are used in many modern online translators, for speech recognition, text generation from a picture (together with a convolutional network), etc.
  • the network is trained using the error backpropagation method: in this case, the values of the elements in the matrices change, by which the input and hidden vectors are multiplied.
  • the training uses existing legal documents and ready-made templates.
  • the seq2seq model is used, which consists of two recurrent networks: one learns the text of the first document and transfers its hidden state to the second recurrent network. The second network analyzes the hidden state from the first network and the previous character and predicts the next character in the text based on them.
  • An example of the operation of an algorithm based on a neural network first, the text is analyzed, the result of the judgment (positive or negative) is determined. In case of refusal, the neural network prepares an appeal, and in case of a positive result, documents for enforcement proceedings.
  • the TensorFlow free software library (framework) from Google is used. At the moment it is the most popular framework for working with neural networks. Also, as an add-on for TensorFlow, the Keras library is used, which simplifies working with deep learning networks.
  • the back-end will be implemented using the python programming language using additional machine learning libraries: numpy / scipy - free libraries for working with multidimensional arrays and performing many mathematical calculations (for example, finding the minimum of a function, functional), scikit-leam - basic and main library when working with machine learning, and the aforementioned Catboost, Keras, TensorFlow.
  • the neural network prepares an appeal, and in case of a positive result, documents for enforcement proceedings.
  • the neural network is configured to: generate documents for filing with the court and recognize scanned documents and tables.
  • Each module in the platform can act as an independent block, the structure and behavior of which is subject to certain rules.
  • each element of the platform can be implemented as a functional element.
  • the developed platform ensures the fulfillment of functional requirements within the framework of automated processes.
  • the device (600) contains components such as: one or more processors (601), at least one memory (602), data storage (603), input/output interfaces (604), I/O ( 605), networking tools (606).
  • processors such as: one or more processors (601), at least one memory (602), data storage (603), input/output interfaces (604), I/O ( 605), networking tools (606).
  • the processor (601) of the device performs the basic computing operations necessary for the operation of the device (600) or the functionality of one or more of its components.
  • the processor (601) executes the necessary machine-readable instructions contained in the main memory (602).
  • the memory (602) is typically in the form of RAM and contains the necessary software logic to provide the required functionality.
  • the data storage means (603) can be in the form of HDD, SSD disks, raid array, network storage, flash memory, optical information storage devices (CD, DVD, MD, Blue-Ray disks), etc.
  • the means (603) allows long-term storage of various types of information, for example, the aforementioned files with user data sets, a database containing records of time intervals measured for each user, user identifiers, etc.
  • Interfaces (604) are standard means for connecting and work with the server part, for example, USB, RS232, RJ45, LPT, COM, HDMI, PS / 2, Lightning, FireWire, etc.
  • interfaces (604) depends on the specific implementation of the device (600), which can be a personal computer, mainframe, server cluster, thin client, smartphone, laptop, and the like.
  • the keyboard must be used.
  • the keyboard hardware can be any known: it can be either a built-in keyboard used on a laptop or netbook, or a separate device connected to a desktop computer, server, or other computer device.
  • the connection can be either wired, in which the keyboard connection cable is connected to the PS / 2 or USB port located on the system unit of the desktop computer, or wireless, in which the keyboard exchanges data via a wireless communication channel, for example, a radio channel, with base station, which, in turn, is directly connected to the system block, for example, to one of the USB ports.
  • I/O devices can also use: joystick, display (touchscreen), projector, touchpad, mouse, trackball, light pen, speakers, microphone, etc.
  • Means of networking are selected from a device that provides network reception and transmission of data, for example, an Ethernet card, WLAN/Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem, etc.
  • a device that provides network reception and transmission of data for example, an Ethernet card, WLAN/Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem, etc.
  • the organization of data exchange over a wired or wireless data transmission channel for example, WAN, PAN, LAN (LAN), Intranet, Internet, WLAN, WMAN or GSM.
  • the components of the device (600) are coupled via a common data bus (610).

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

Техническое решение относится к области вычислительной техники. Технический результат заключается в расширении арсенала технических средств платформы. Электронная платформа для автоматического анализа и взыскания задолженностей с использованием искусственного интеллекта содержит: сверточные нейронные сети, рекуррентные нейронные сети, досудебный модуль, судебный модуль, модуль исполнительного производства, модуль интеграции с базами данных, модуль обмена данными, аппаратную серверную инфраструктуру.

Description

АВТОМАТИЗАЦИЯ ПРОЦЕССОВ ВЗЫСКАНИЯ ДЕБИТОРСКОЙ ЗАДОЛЖЕННОСТИ С
ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
5 ОБЛАСТЬ ТЕХНИКИ
Настоящее техническое решение относится к области вычислительной техники, в частности, к электронным платформам для автоматического анализа и взыскания задолженностей с использованием искусственного интеллекта, а также к стратегическим компьютерным технологиям.
10
УРОВЕНЬ ТЕХНИКИ
Из уровня техники известно решение выбранное в качестве наиболее близкого аналога US 8930251 В2, 31.05.2012, в котором раскрыто устройство отслеживания задолженности, которое получает доступ к кредитным отчетам и / или другим финансовым данным, которые доступны из одного или нескольких источников финансовых данных, для пользователя и извлекает информацию финансового счета. В данном решении, устройство отслеживания задолженности может анализировать информацию об учетной записи, чтобы генерировать информацию об изменении задолженности, которая указывает в форме списков, таблиц, графиков, диаграмм и т.д.
Вышеуказанное техническое решение направлено на решение проблемы отслеживания задолженности. Однако стоит отметить, что этого недостаточно для обеспечения полного автоматизированного высокотехнологичного цикла работы с дебиторской задолженностью, без участия человека.
Предлагаемое решение направлено на устранение недостатков современного уровня 5 техники и отличается от известных ранее тем, что предложенная платформа: использует инновационные технологии: искусственный интеллект, машинное обучение и нейронные сети для автоматизации и оптимизации работы платформы с дебиторской должностью, осуществляет подготовку полного комплект документов в суд , а также отправку в онлайн режиме исковых заявлений в суд, используя электронно-цифровую подпись (далее -ЭЦП).
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Технической проблемой, на решение которой направлено заявленное решение, является создание электронной платформы для автоматического анализа и взыскания задолженностей с использованием искусственного интеллекта. Дополнительные варианты 5 реализации настоящего изобретения представлены в зависимых пунктах изобретения. Технический результат заключается в автоматическом осуществлении анализа и взыскания задолженностей. Дополнительный технический результат заключается в расширении арсенала технических средств платформы.
Заявленные технические результаты достигаются за счет осуществления электронной платформы для автоматического анализа и взыскания задолженностей с использованием искусственного интеллекта, которая содержит: сверточные нейронные сети, выполненные с возможностью: предсказания платежеспособности клиента, используя классификатор на основе градиентного бустинга над решающими деревьями; рекуррентные нейронные сети, выполненные с возможностью: обработки текстовых документов; досудебный модуль, выполненный с возможностью: загрузки баз данных, фильтрации и сортировки списков должников; учета стадии работы с должником; учета примененных к должнику мер воздействия; формирования документов досудебной стадии работы с должником; формирования соглашения о погашении задолженности в случае необходимости ; автоматического расчета задолженности и пени на основании досудебной задолженности ; автоматического формирования графика платежей по параметрам пользователя; отображения состава задолженности в разрезе основания возникновения задолженностей; автоматического начисление санкции в соответствии с договорными условиями или требованиями законодательства; хранения данных сформированных документов в системе; перевод должника в судебный модуль; судебный модуль, выполненный с возможностью: подготовки полного комплекта документов необходимых для подачи в суд; обработки и подготовки исковых заявлений; отправки в онлайн режиме исковых заявлений в суд с использованием ЭЦП; формирования судебных решений по должникам; автоматической интеграции с судебными базами для определения номера судебного дела, определений и решений суда; формирования списка должников с изменениями в размере задолженности в ходе судопроизводства; автоматического расчета задолженности и пени на основании судебной задолженности; автоматического определения типа суда в заявлении в соответствии с типом должника и суммой; формирования документов на стадии судебного производства; отслеживания статуса судебного решения; формирования решения; перевода данных должника после вынесенного решения в модуль исполнительного производства; модуль исполнительного производства, выполненный с возможностью: подготовки и отправки заявления в Единый федеральный реестр сведений о банкротстве формирования документов на стадии предъявления исполнительного листа в банк или иную расчетную организацию сохранения истории направленных по каждому должнику запросов и предоставление пользователю доступа к ней; формирования поручения оператору многофункционального центра предоставления государственных услуг (далее - МФЦ) об учете оплат, поступивших на расчётный счет управляющей организации (У О) и о списании задолженностей (для долгов жилищно-коммунальных услуг (далее - ЖКУ); формирования отчета по периодам задолженности; модуль интеграции с базами данных, выполненный с возможностью: интеграции с внешними базами данных; сбор и систематизация информации с сайтов; модуль обмена данными, выполненный с возможностью: загрузки данных; выгрузки данных; синхронизации данных с внешними системами клиента; аппаратную серверную инфраструктуру.
В частном варианте реализации описываемой платформы, досудебный модуль, дополнительно выполнен с возможностью оповещения должников посредством голосового роботизированного звонка и смс. В частном варианте реализации описываемой платформы, досудебный модуль, дополнительно выполнен с возможностью формирования списка должников, нарушивших условия Соглашения.
В другом частном варианте реализации описываемой платформы, досудебный модуль, дополнительно выполнен с возможностью: предоставления пользователю возможности распечатать или сохранить сформированные документы в заданном формате, а также автоматически подписать электронно-цифровой подписью.
В другом частном варианте реализации описываемой платформы, судебный модуль дополнительно выполнен с возможностью автоматического определения размера государственной пошлины в зависимости от суммы требований.
В другом частном варианте реализации описываемой платформы, которой модуль исполнительного производства дополнительно выполнен с возможностью: формирования заявлений о предстоящем банкротстве должника со всеми приложениями, включая формирование платежного поручения об уплате стоимости размещения заявления; формирование заявлений о признании должника банкротом и введении процедуры наблюдения.
В другом частном варианте реализации описываемой платформы, аппаратная серверная инфраструктура использует гео-распределенный кластер.
ОПИСАНИЕ ЧЕРТЕЖЕЙ
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:
Фиг. 1 , иллюстрирует схему бизнес-процесса электронной платформы.
Фиг. 2, иллюстрирует техническую схему электронной платформы.
Фиг. 3, иллюстрирует техническую схему массива базы данных.
Фиг. 4, иллюстрирует структурную схему базы данных.
Фиг. 5, иллюстрирует схему бизнес-процесса платформы в судебном производстве.
Фиг. 6, иллюстрирует схему вычислительного устройства.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.
Фиг. 1, иллюстрирует схему бизнес-процесса электронной платформы.
На схеме отображен процесс работы в платформе на всех ее этапах от судебной работы с должником до работы с судебными приставами. В схеме детально описан процесс, в котором указаны все шаги работы клиента на платформе, с указанием запросов на базы данных, с которыми платформа интегрирована, а также описаны нейронные сети с помощью, которых платформа объединяет дополнительный функционал, помогающий пользователю осуществлять свою деятельность в едином окне, не выходя из интерфейса платформы.
Фиг. 2, иллюстрирует техническую схему электронной платформы.
На схеме описано техническое взаимодействие каждого блока, от технических каналов связи, шлюзов и клиентской стороны пользовательского интерфейса для взаимодействия с платформой, до работы программно-аппаратной части, модулей платформы и обработки запросов в базе данных.
Фиг. 3, иллюстрирует техническую схему массива базы данных.
Схема описывает работу и обработку запросов в базе данных с использованием технологии машинного обучения (BIG DATA) и анализа по скоринговой системе должников с последующим прогнозированием оплаты должников и системой рейтингования.
Фиг. 4, иллюстрирует структурную схему базы данных.
Схема иллюстрирует мильтипоточную обработку запросов сокета на их последующее сохранение или внесение изменение, а также чтение из БД.
Фиг. 5, иллюстрирует схему бизнес-процесса платформы в судебном производстве.
Схема иллюстрирует последовательные шаги пользователя в работе с должниками в модуле платформы «судебное производство».
Облачная платформа позволяет организации выйти на новый уровень цифровизации, автоматизации, ускоряет, упрощает и существенно сокращает время, исключает человеческий фактор на 100%, расходы на трудоемкие процессы работы с дебиторской задолженностью с физическими и юридическими лицами.
Настоящее изобретение направлено на обеспечение электронной платформы для автоматического анализа и взыскания задолженностей с использованием искусственного интеллекта.
Функции, которые может осуществлять предлагаемая платформа:
• автоматический расчёт задолженности, пени, госпошлины;
• автоматическое формирование платежное поручение об оплате госпошлины;
• автоматическое формирование электронного заявления о взыскании задолженности;
• определение реквизитов судебных участков по адресу должника;
• автоматическое определение подсудности и реквизитов спора и адреса судебного участка: Арбитражный суд, Мировой судья, Гражданский суд;
• автоматическое отслеживание статуса решения суда и исполнительного производства;
• автоматический перевод на исполнительное производство после решения суда;
• подготовка и подача в онлайн режиме исковых заявлений в суд с применением ЭЦП и автоматическим расчётом пени;
• автоматическая проверка задолженности должника, запросы в управляющую компанию (далее -УК) и сбор и систематизация информации из баз данных должников;
• заказ выписки из домовой книги Должника;
• обзвон с помощью робота;
• отправка смс и e-mail оповещений;
• мониторинг статусов обработки заявления и решений суда на сайтах;
• сбор и систематизация информацииИННЮГРН с egrul.nalog.ru;
• сбор и систематизация информации популярных сайтов для нахождения дополнительной информации о задолжнике;
• оформление заявления о предоставлении отчёта о взыскании.
Предлагаемая платформа состоит из нескольких модулей:
- модуль обработки данных, выполненный с использованием алгоритмов машинного обучения,
- досудебный модуль, выполненный с возможностью: загрузки баз данных, фильтрации и сортировки списков должников; учета стадии работы с должником; учета примененных к должнику мер воздействия; формирования документов досудебной стадии работы с должником; формирования соглашения о погашении задолженности в случае необходимости; автоматического расчета задолженности и пени на основании досудебной задолженности ; автоматического формирования графика платежей по параметрам пользователя; отображения состава задолженности в разрезе основания возникновения задолженностей ; автоматического начисление санкции в соответствии с договорными условиями или требованиями законодательства; хранения данных сформированных документов в системе; перевод должника в судебный модуль;
- судебный модуль, выполненный с возможностью: подготовки полного комплекта документов необходимых для подачи в суд; обработки и подготовки исковых заявлений; отправки в онлайн режиме исковых заявлений в суд с использованием ЭЦП; формирования судебных решений по должникам; автоматической интеграции с судебными базами для определения номера судебного дела, определений и решений суда; формирования списка должников с изменениями в размере задолженности в ходе судопроизводства; автоматического расчета задолженности и пени на основании судебной задолженности; автоматического определения типа суда в заявлении в соответствии с типом должника и суммой; формирования документов на стадии судебного производства; отслеживания статуса судебного решения; формирования решения; перевода данных должника после вынесенного решения в модуль исполнительного производства; модуль исполнительного производства, выполненный с возможностью: подготовки и отправки заявления в Единый федеральный реестр сведений о банкротстве; формирования документов на стадии предъявления исполнительного листа в банк или иную расчетную организацию; сохранения истории направленных по каждому должнику запросов и предоставление пользователю доступа к ней; формирования поручения оператору МФЦ об учете оплат, поступивших на расчётный счет УО и о списании задолженностей (для долгов ЖКУ); формирования отчета по периодам задолженности;
- модуль интеграции с базами данных, выполненный с возможностью: интеграции с внешними базами данных; сбор и систематизация информации с сайтов;
- модуль обмена данными, выполненный с возможностью: загрузки данных; выгрузки данных; синхронизации данных с внешними системами клиента;
- аппаратную серверную инфраструктуру.
Следует отметить, что модуль интеграции с базами данных отвечает за интеграцию со внешними базами данных интеграции по API.
Досудебный модуль, может дополнительно выполнен с возможностью оповещения должников посредством голосового роботизированного звонка и смс.
Досудебный модуль, может дополнительно выполнен с возможностью формирования списка должников, нарушивших условия Соглашения.
Досудебный модуль, также может дополнительно выполнен с возможностью предоставления пользователю возможности распечатать или сохранить сформированные документы в заданном формате, а также автоматически подписать электронно-цифровой подписью.
Судебный модуль, может дополнительно выполнен с возможностью автоматического определения размера государственной пошлины в зависимости от суммы требований.
Модуль исполнительного производства, может дополнительно выполнен с возможностью формирования заявлений о предстоящем банкротстве должника со всеми приложениями, включая формирование платежного поручения об уплате стоимости размещения заявления и формирование заявлений о признании должника банкротом и введении процедуры наблюдения.
Аппаратная серверная инфраструктура может использовать гео-распределенный кластер, (сетевое оборудование, серверное оборудование, дисковое хранилище), позволяя организовать максимальную отказоустойчивость платформы. Инновационность проекта заключается в использовании алгоритмов машинного обучения для автоматического взыскания дебиторской задолженности и формирования документов для судов с применением алгоритмов машинного обучения, классификации должников, прогнозирования появления задолженности, предсказания вероятности её взыскания, анализа судебных участков судов, анализа юридических документов, системы рейтингования, составление исковых заявлений без участия человека, анализа вынесенного решения суда и составления апелляций в суды разных инстанций при отрицательном исходе, формирование для судов судебного приказа с вынесенным решением.
Разработана сверточная нейронная сеть для анализа и прогнозирования дебиторской задолженности, рейтингования и распознавания изображений. Искусственный интеллект, машинное обучение и нейронная сеть разработана на Python, дополнительно могут использоваться сторонние открытые программные библиотеки: OpenCV (компьютерное зрения и обработка изображения) + Keras (глубинное обучение нейронной сети) и TensorFlow (обучение нейронной сети), CRA, K-nears, NLP алгоритмы. Используется классификатор на основе градиентного бустинга над решающими деревьями Catboost.
Аппаратная серверная инфраструктура использует гео-распределенный кластер (сетевого, серверного оборудования, дискового хранилища), что позволило организовать максимальную отказоустойчивость и доступность предоставляемой платформы (SLA 99.999% - время простоя сервиса в год - 5 минут), а также возможность масштабировать программную часть по всему миру.
Для поддержания актуальности обновления данных в реальном времени на всех узлах используются синхронный режим синхронизации данных и асинхронный режим синхронизации между веб-приложениями и базами данных. Асинхронный режим используются для синхронизации данных с задержкой в 30 минут на удаленные сервера, которые в свое время находятся в режиме «горячего резерва». В случае возникновения внештатной ситуации по работе СУБД данные можно будет восстановить из резервной копии или копии, хранящейся на серверах «горячего резерва».
Показатели эффективности применения платформы:
1. Автоматическая выгрузка и обработка файлов по должникам;
2. Автоматическое оповещение должника о задолженности;
3. Мгновенный расчет задолженности, пени, согласно 155 ЖК РФ;
4. Мгновенный расчет государственной пошлины;
5. Мгновенное формирование квитанции для оплаты государственной пошлины;
6. Мгновенное определение судебного участка для подачи иска в суд; 7. Мгновенное формирование комплекта документов для подачи в суд;
8. Автоматическое выставление статусов по должнику;
9. Мгновенное формирование документов на исполнительное производство;
10. Автоматический перевод должника на разные этапы работы;
11. Обращение к открытым базам данным для получения информации по компании;
12. Безбумажный документооборот.
Интеграция с базами данных.
Интеграция с сайтами и базами данных судов: реквизиты судов, определение по адресу должника адреса судебного участка, контакты судов и ФИО, поиск судебным дел, вынесенные судебные решения, статусы суда;
- интеграция с Росреестром по получению выписок по владельцам недвижимости с долями владения, кадастровые номера;
- интеграция с ГИС ЖКХ;
- интеграция с Реформа ЖКХ;
- интеграция с 1С решениями, бухгалтерии;
- интеграция с сервисами подписания по электронно-цифровой подписью: СКБ Контур, Парадокс;
- интеграция с ПИ «Амире», программный комплекс для работы мировых судей;
- интеграция с биллинговыми системами;
- интеграция по определению почтового индекса по адресу, склонение ФИО в разные падежи, определение ИНН по паспортном данным, проверка действительности паспорта, получение выписки ЕГРЮЛ, данных реквизитов компании, банков;
- интеграция с Почтой России для отслеживания писем и документов;
- интеграция с сервисами по печати и доставке документов в суд на аутсорс;
- интеграция с базами судебных приставов, получение номера дела, статуса;
- интеграция с налоговыми органами, отправка запросов по ЭЦП, отслеживание статусов;
- интеграция с банками по отправке запросов на арест счетов и взыскания задолженности;
- интеграция с открытыми базами данных из сети Интернет для системы рейтингования.
Способ работы платформы.
На вход предлагаемой платформы осуществляется загрузка информации по должникам в электронном формате (файлы xls, csv) с, например, но не ограничиваясь, начислениями за коммунальные услуги за каждый месяц до 36 месяцев.
Посредством искусственного интеллекта осуществляют анализ загруженных данных (время начислений и оплаты, задолженности), после чего происходит обработка и расчёт задолженности за все периоды (задолженность, пеня, госпошлина). Обработку информации осуществляют по каждому должнику (реквизиты должника). Расчет и обработка информации осуществляются посредством: досудебного, судебного и исполнительного модулей, которые реализованы в виде искусственного интеллекта.
По результатам обработки информации осуществляют выставление рейтинга по каждому должнику. Выставление рейтинга осуществляется по скорингу обработанных и проанализированных данных, с учетом уже ранее полученных данных по должнику.
Когда иск подан в суд, ему автоматически присваивается номер и на основании присвоенного номера осуществляется отслеживание статуса, тем самым обеспечивается отслеживание статуса решения суда по исковому заявлению.
На выходе платформа формирует пакет документов по каждому должнику для печати или подачи в суд онлайн с применением ЭЦП:
1. Формируют платежное поручение об оплате госпошлины по каждому должнику.
2. Осуществляют автоматическое определение реквизитов судебных участков по адресу каждого должника.
Осуществляют анализ полученного судебного решения, посредством использования алгоритмов машинного обучения.
Вначале анализируют текст, определяют результат судебного решения (положительный или отрицательный).
Для задачи скоринга, предсказывающего платежеспособность клиента, используется классификатор на основе градиентного бустинга над решающими деревьями. В качестве признаков используется все доступные числовые (например, возраст, сумма предыдущей задолженности) и категориальные параметры (например, пол, семейный статус, регион) физического или юридического лица. Также используются текстовая информация. Например, важным признаком является адрес регистрации юр. лица, если он совпадает с адресом массовой регистрации, то есть вероятность, что это фирма-однодневка. Другой пример (положительный) — это наличие фирмы в реестре квалифицированных подрядных организаций.
Для контроля качества используются перекрестная проверка (кросс-валидация). Это позволяет равномерно использовать имеющиеся данные и эффективно предотвращать переобучение. В системе используются одна из самых современных реализаций градиентного бустинга — Catboost. Catboost — это эффективная высокопроизводительная масштабируемая библиотека. Данная библиотека позволяет производить расчёты на графических ускорителях (GPU), тем самым повышая общую скорость обучения в десятки раз (в сравнении с работой на процессоре). Catboost позволяет работать с категориальными данными без предварительного обработки (например, one-hot-encodding), что упрощает процесс анализа.
Для настройки гипер-параметров алгоритмов используются Байесовская оптимизация. Качество предсказаний классификатора оценивается с помощью метрики ROC-AUC, которая отображает соотношение между долей верноклассицированных объектов (True positive rate) от доли ошибочно классифицированных объектов (False positive rate). Количественно качество работы алгоритма оценивается по площади под графиком ROC кривой. Для константного или случайного алгоритма ROC-AUC равен 0,5, для идеального алгоритма ROC-AUC равен 1.
Вторая задача, где используются машинное обучение — это обработка текстовых документов. Для этого используются алгоритмы на основе рекуррентных нейронных сетей: сеть с долговременной и кратковременной памятью (LSTM) и управляемый рекуррентный блок (GRU). Такие модели используются во многих современных онлайн-переводчиках, для распознавания речи, генерации текста по картинке (вместе с свёрточной сетью) и др.
Обучение сети происходит за счёт метода обратного распространения ошибки: при этом меняются значения элементов в матрицах, на которые умножаются входной и скрытый вектора. При обучении используются существующие юридические документы и готовые шаблоны. Для автоматического написания ответных документов (например, документ из суда и апелляционное заявление) используются seq2seq модель, состоящая из двух рекуррентных сетей: одна выучивает текст первого документа и передаёт своё скрытое состояние во вторую рекуррентную сеть. Вторая сеть анализирует скрытое состояние из первой сети и предыдущий символ и на их основе предсказывает следующий символ в тексте.
Пример работы алгоритма на основе нейронной сети: сначала анализируется текст, определяется результат судебного решения (положительный или отрицательный). В случае отказа, нейронная сеть готовит апелляционное заявление, а в случае положительного результата — документы для исполнительного производства. Для работы с рекуррентными нейронными сетями используется библиотека свободная программная библиотека (фреймворк) TensorFlow от компании Google. В данный момент это самый популярный фреймворк для работы с нейронными сетями. Также в качестве надстройки над TensorFlow используется библиотека Keras, упрощающая работу с сетями глубинного обучения. Back-end будет реализован с помощью языка программирования python с использование дополнительных библиотек машинного обучения: numpy/scipy - свободные библиотеки для работы с многомерными массивами и выполнения множества математических вычислений (например, нахождение минимума функции, функционала), scikit-leam — базовая и основная библиотека при работе с машинным обучением, и вышеупомянутые Catboost, Keras, TensorFlow.
В случае отказа, нейронная сеть готовит апелляционное заявление, а в случае положительного результата — документы для исполнительного производства.
Все элементы/модули в заявленной платформе работают в связке друг с другом. Нейронная сеть выполнена с возможностью: формирования документов для подачи в суд и распознавания сканированных документов и таблиц.
Каждый модуль в платформе может выступать в виде независимого блока, структура и поведение которого подчиняются определённым правилам. При этом, каждый элемент платформы может быть реализован в качестве функционального элемента.
Разработанная платформа обеспечивает выполнение функциональных требований в рамках автоматизированных процессов.
На Фиг. 6 далее будет представлена общая схема вычислительного устройства (N00), обеспечивающего обработку данных, необходимую для реализации заявленного решения.
В общем случае устройство (600) содержит такие компоненты, как: один или более процессоров (601), по меньшей мере одну память (602), средство хранения данных (603), интерфейсы ввода/вывода (604), средство В/В (605), средства сетевого взаимодействия (606).
Процессор (601) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (600) или функциональности одного или более его компонентов. Процессор (601) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (602).
Память (602), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.
Средство хранения данных (603) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (603) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п.
Интерфейсы (604) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.
Выбор интерфейсов (604) зависит от конкретного исполнения устройства (600), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.
В качестве средств В/В данных (605) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блору, например, к одному из USB- портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.
Средства сетевого взаимодействия (606) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi- Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (605) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.
Компоненты устройства (600) сопряжены посредством общей шины передачи данных (610).
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.

Claims

Формула
1. Электронная платформа для автоматического анализа и взыскания задолженностей с использованием искусственного интеллекта, содержащая: сверточные нейронные сети, выполненные с возможностью: предсказания платежеспособности клиента, используя классификатор на основе градиентного бустинга над решающими деревьями; рекуррентные нейронные сети, выполненные с возможностью: обработки текстовых документов; досудебный модуль, выполненный с возможностью: загрузки баз данных, фильтрации и сортировки списков должников; учета стадии работы с должником; учета примененных к должнику мер воздействия; формирования документов досудебной стадии работы с должником; формирования соглашения о погашении задолженности в случае необходимости; автоматического расчета задолженности и пени на основании досудебной задолженности; автоматического формирования графика платежей по параметрам пользователя; отображения состава задолженности в разрезе основания возникновения задолженностей; автоматического начисление санкции в соответствии с договорными условиями или требованиями законодательства; хранения данных сформированных документов в системе; перевод должника в судебный модуль; судебный модуль, выполненный с возможностью: подготовки полного комплекта документов необходимых для подачи в суд; обработки и подготовки исковых заявлений; отправки в онлайн режиме исковых заявлений в суд с использованием ЭЦП; формирования судебных решений по должникам; автоматической интеграции с судебными базами для определения номера судебного дела, определений и решений суда; формирования списка должников с изменениями в размере задолженности в ходе судопроизводства; автоматического расчета задолженности и пени на основании судебной задолженности; автоматического определения типа суда в заявлении в соответствии с типом должника и суммой; формирования документов на стадии судебного производства; отслеживания статуса судебного решения; формирования решения; перевода данных должника после вынесенного решения в модуль исполнительного производства; модуль исполнительного производства, выполненный с возможностью: подготовки и отправки заявления в Единый федеральный реестр сведений о банкротстве формирования документов на стадии предъявления исполнительного листа в банк или иную расчетную организацию сохранения истории направленных по каждому должнику запросов и предоставление пользователю доступа к ней; формирования поручения оператору МФЦ об учете оплат, поступивших на расчётный счет УО и о списании задолженностей (для долгов ЖКУ); формирования отчета по периодам задолженности; модуль интеграции с базами данных, выполненный с возможностью: интеграции с внешними базами данных; парсинга сайтов; модуль обмена данными, выполненный с возможностью: загрузки данных; выгрузки данных; синхронизации данных с внешними системами клиента; аппаратную серверную инфраструктуру.
2. Электронная платформа по п.1 , в которой досудебный модуль, дополнительно выполнен с возможностью: оповещения должников посредством голосового роботизированного звонка и смс.
3. Электронная платформа по п.1 , в которой досудебный модуль, дополнительно выполнен с возможностью: формирования списка должников, нарушивших условия Соглашения;
4. Электронная платформа по п.1 , в которой досудебный модуль, дополнительно выполнен с возможностью: предоставления пользователю возможности распечатать или сохранить сформированные документы в заданном формате, а также автоматически подписать электронно-цифровой подписью.
5. Электронная платформа по п.1 , в которой досудебный модуль, дополнительно выполнен с возможностью: предоставления пользователю возможности распечатать или сохранить сформированные документы в заданном формате, а также автоматически подписать электронно-цифровой подписью.
6. Электронная платформа по п.1 , в которой судебный модуль дополнительно выполнен с возможностью: автоматического определения размера государственной пошлины в зависимости от суммы требований.
7. Электронная платформа по п.1, в которой модуль исполнительного производства дополнительно выполнен с возможностью: формирования заявлений о предстоящем банкротстве должника со всеми приложениями, включая формирование платежного поручения об уплате стоимости размещения заявления; формирование заявлений о признании должника банкротом и введении процедуры наблюдения.
8. Электронная платформа по п.1, в которой аппаратная серверная инфраструктура использует гео-распределенный кластер.
17
PCT/RU2020/000506 2020-09-22 2020-09-30 Автоматизация процессов взыскания дебиторской задолженности с использованием искусственного интеллекта WO2022066034A1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2020131255 2020-09-22
RU2020131255A RU2020131255A (ru) 2020-09-22 2020-09-22 Облачный программный комплекс для автоматизации процессов взыскания дебиторской задолженности с использованием искусственного интеллекта и машинного обучения

Publications (1)

Publication Number Publication Date
WO2022066034A1 true WO2022066034A1 (ru) 2022-03-31

Family

ID=80816000

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2020/000506 WO2022066034A1 (ru) 2020-09-22 2020-09-30 Автоматизация процессов взыскания дебиторской задолженности с использованием искусственного интеллекта

Country Status (2)

Country Link
RU (1) RU2020131255A (ru)
WO (1) WO2022066034A1 (ru)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040015425A1 (en) * 2002-07-22 2004-01-22 O'neill Patrick G. Method to improve debt collection practices
US20080162344A1 (en) * 2006-12-29 2008-07-03 Sap Ag Method and system for enterprise software having direct debit mandates
WO2018195459A1 (en) * 2017-04-20 2018-10-25 Google Llc Processing sequential data using recurrent neural networks
CN109255536A (zh) * 2018-09-07 2019-01-22 深圳前海微众银行股份有限公司 债权催收方法、装置、系统及存储介质
WO2019166601A1 (en) * 2018-03-01 2019-09-06 Koninklijke Philips N.V. Cross-modal neural networks for prediction
US20190318293A1 (en) * 2009-06-19 2019-10-17 Neu Ip, Llc System and method for enhancing credit and debt collection

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040015425A1 (en) * 2002-07-22 2004-01-22 O'neill Patrick G. Method to improve debt collection practices
US20080162344A1 (en) * 2006-12-29 2008-07-03 Sap Ag Method and system for enterprise software having direct debit mandates
US20190318293A1 (en) * 2009-06-19 2019-10-17 Neu Ip, Llc System and method for enhancing credit and debt collection
WO2018195459A1 (en) * 2017-04-20 2018-10-25 Google Llc Processing sequential data using recurrent neural networks
WO2019166601A1 (en) * 2018-03-01 2019-09-06 Koninklijke Philips N.V. Cross-modal neural networks for prediction
CN109255536A (zh) * 2018-09-07 2019-01-22 深圳前海微众银行股份有限公司 债权催收方法、装置、系统及存储介质

Also Published As

Publication number Publication date
RU2020131255A (ru) 2022-03-22

Similar Documents

Publication Publication Date Title
US9741073B2 (en) Optimizing aggregation routing over a network
CA2921363C (en) Simplified tax interview
US20170004584A1 (en) Systems, methods and articles for providing tax recommendations
CA3043897C (en) Methods, systems and computer program products for collecting tax data
US20170004583A1 (en) Systems, methods and articles for determining tax recommendations
CN102663650A (zh) 一种企业信用风险分析系统及其使用方法
US10489865B1 (en) Framework for cash-flow forecasting
US20190272590A1 (en) Stress testing and entity planning model execution apparatus, method, and computer readable media
US8762932B2 (en) Systems and methods for context understanding for developing a software solution for a project
US20190251492A1 (en) Cognitive optimization of work permit application and risk assessment
CN112184304A (zh) 一种辅助决策的方法、系统、服务器和存储介质
US20190279228A1 (en) Suspicious activity report smart validation
US10235719B2 (en) Centralized GAAP approach for multidimensional accounting to reduce data volume and data reconciliation processing costs
US10475131B1 (en) Methods, systems and computer program products for calculating an estimated result of a tax return
WO2022066034A1 (ru) Автоматизация процессов взыскания дебиторской задолженности с использованием искусственного интеллекта
US20170061548A1 (en) Advice engine
KR20220119919A (ko) 간편 세금 납부 서비스를 제공하는 서버, 시스템, 및 컴퓨터 프로그램
US20240202686A1 (en) Generating graphical user interfaces comprising dynamic available deposit transaction values determined from a deposit transaction predictor model
US20230368196A1 (en) Machine learning techniques for rebuilding transactions to predict cash position
US11055794B1 (en) Methods, systems and computer program products for estimating likelihood of qualifying for benefit
US20190385241A1 (en) Bill payment mechanism for payroll deduction
WO2023229473A1 (en) Methods and systems for predicting cash flow
CN115879608A (zh) 资源信息预测方法、装置、计算机设备和存储介质
CN114817250A (zh) 报表数据处理方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20955409

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205N DATED 19/05/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 20955409

Country of ref document: EP

Kind code of ref document: A1