Government AI который проходит
контрольно-надзорные проверки

Citizen RAG

Q&A над формами, регулированием и benefits guidance ведомства.

• Цитирование до исходного абзаца
• Plain-language объяснения
• Multi-language (RU / EN / HE)
• Escalation paths к human caseworker

Обработка обращений граждан

Document discovery + предложение redaction для обращений.

• Предложение PII / exempt полей с confidence
• Audit trail на обращение
• Reviewer-in-the-loop
• SLA tracking

Document Understanding

OCR + extraction над формами, статьями, делами.

• Form-field extraction с confidence
• Citation graph статей / регулирования
• Парсинг multi-page таблиц
• Поддержка handwriting + low-quality сканов

Public-Sector Fraud Detection

Benefits fraud, procurement fraud, identity fraud.

• Cross-program signal fusion
• Network / graph analysis
• Explainable risk scores
• Интеграция с investigator workflow

Security and Authority to Operate

Спроектировано под ФСТЭК и Authority to Operate процесс.

• Mapping ФСТЭК + NIST 800-53 controls
• Continuous monitoring (CDM)
• Audit trail на каждое решение модели
• Управление vendor risk

Model Governance

Документация, мониторинг и аудит по NIST AI RMF.

• Model card + system card по Mitchell et al. 2019
• Drift detection по population shift
• Мониторинг bias по демографии
• Tracking reportable adverse events

РФ: 149-ФЗ, 152-ФЗ, ФСТЭК, требования Минцифры

149-ФЗ об информации, 152-ФЗ о персональных данных, требования ФСТЭК (приказы 17/21), требования Минцифры по госуслугам, локализация данных на территории РФ.

ЕС: EU AI Act (public sector), GDPR, eIDAS

EU AI Act Annex III high-risk классификация для public-administration AI, GDPR Articles 22 + 35 (DPIA), eIDAS для trusted citizen authentication.

США: NIST AI RMF, OMB M-24-10, FedRAMP, FOIA

NIST AI Risk Management Framework, OMB M-24-10 governance guidance, FedRAMP-aware design для cloud workloads, FOIA обязательства, FISMA security baselines.

Точность Citizen RAG

Что показывает индустрия: RAG над agency guidance с retrieval-then-generate показывает 85-90% answer-with-correct-citation, vs ~70% для plain LLM (US GAO AI assessment 2024).

Где входим мы: Цитирование до исходного абзаца, plain-language объяснения, escalation paths к human caseworker, multi-language - каждый ответ гражданину traceable.

• Цитирование до исходного абзаца (нет ответа без источника)
• Plain-language объяснения (без жаргона)
• Multi-language (RU / EN / HE)
• Escalation paths к human caseworker

Время обработки обращений

Что показывает индустрия: Document-understanding + предложение redaction уменьшает цикл обработки обращения на 35-50% при сохранении точности exemption (NARA / OGIS 2024).

Где входим мы: Предложение PII / exempt полей с confidence, audit trail на обращение, reviewer-in-the-loop, SLA tracking - reviewer контролирует каждый redaction.

• Предложение exempt полей с confidence
• Audit trail на каждое обращение
• Reviewer-in-the-loop на каждом redaction
• SLA tracking с alerting

Public-sector fraud detection

Что показывает индустрия: Cross-program signal fusion идентифицирует 2-4x больше fraud rings чем single-program rule-based detection при снижении false-positives на 25-40% (US Treasury OIG 2024).

Где входим мы: Cross-program signal fusion, network / graph analysis, explainable risk scores, интеграция с investigator workflow - actionable, не just alert volume.

• Cross-program signal fusion (не single program)
• Network / graph analysis для колец
• Explainable risk scores (SHAP)
• Интеграция с investigator workflow