كيف سرّعت Sun Finance وAWS التحقق من المستندات وخفّضتا مخاطر الاحتيال

Sun Finance перевела проверку личности в автоматический режим с помощью сервисов AWS и генеративного ИИ. Компания собрала конвейер, который быстрее извлекает данные из документов, дешевле обрабатывает заявки и помогает ловить подозрительные совпадения почти в реальном времени.

Как устроен пайплайн В основе решения — разделение задач между несколькими инструментами. **Amazon

Textract отвечает за OCR и достаёт текст из удостоверений личности, Amazon Bedrock приводит результат к нужной структуре и нормализует поля, а Amazon Rekognition** помогает с визуальной проверкой и антифрод-сценариями. Такой подход оказался практичнее, чем пытаться решать всё одной моделью: специализированный сервис делает извлечение, а LLM берёт на себя интерпретацию, исправление формата и сборку итоговой структуры для внутренних систем. Отдельно важна скорость архитектуры.

Sun Finance построила бессерверный IDV-конвейер, где обработка запускается по событию и не требует постоянной инфраструктуры под пиковые нагрузки. Это особенно полезно для кредитных и финтех-процессов, где поток документов нестабилен: ночью он может быть минимальным, а в часы выдачи — резко вырастать. В такой схеме проще контролировать стоимость, а время ответа не зависит от ручной очереди операторов, которые раньше могли задерживать проверку на многие часы.

• OCR извлекает сырой текст и поля из документа LLM приводит данные к единой структуре и убирает шум Rekognition добавляет визуальные сигналы для проверки личности * Векторный поиск помогает находить подозрительно похожие заявки Для антифрода в этой схеме важен не только факт чтения документа, но и возможность сравнивать его с уже обработанными кейсами. Векторный поиск позволяет хранить представления заявок и быстро находить близкие совпадения по изображению, тексту или совокупности признаков. Если система видит слишком похожие документы, повторяющиеся паттерны или нетипичную близость между разными заявками, она может отправить их на дополнительную проверку. Это даёт более гибкий слой защиты, чем простые жёсткие правила.

Почему это сработало

Главный вывод кейса — связка OCR и LLM даёт лучший результат, чем использование каждого компонента по отдельности. По данным Sun Finance, точность извлечения выросла с 79,7% до 90,8%. Для таких сценариев это не косметическое улучшение: каждые несколько процентов точности напрямую влияют на объём ручных доработок, число ошибок в анкете и скорость принятия решения по заявке.

LLM здесь не заменяет специализированное распознавание, а дополняет его: понимает контекст полей, выравнивает названия, устраняет типовые артефакты OCR и подготавливает данные для дальнейшей автоматизации. Не менее заметен экономический эффект. Стоимость обработки одного документа, по описанию AWS, снизилась на 91%, а время обработки сократилось с максимума в 20 часов до менее чем 5 секунд.

Для финтеха это означает сразу несколько вещей: меньше операционных расходов, меньше отказов из-за долгого ожидания и больше шансов проверить клиента до того, как он бросит заявку. Параллельно система антифрода на векторном сходстве позволяет искать повторяющиеся или слишком похожие заявки без тяжёлой серверной обвязки. Это делает проверку не только быстрее, но и устойчивее к попыткам обойти базовые правила.

Что это значит

Кейс Sun Finance показывает, что генеративный ИИ в документообороте работает лучше всего не как универсальная замена всему стеку, а как слой поверх уже сильных специализированных сервисов. Для банков, МФО и других компаний с KYC-процессами это понятный сигнал: если правильно разнести OCR, структурирование и антифрод по разным компонентам, можно одновременно поднять точность, сократить время ответа до секунд и заметно снизить себестоимость проверки.