Разработчики представили обработку для 1С, которая решает задачу безопасной передачи данных в нейросети. Сценарий: компании нужно отдать нейросети выгрузку с дебиторской задолженностью, контрагентами или платёжными реквизитами для анализа. Прямая отправка невозможна — в данных содержатся ФИО, ИНН, счета, телефоны и реальные суммы. Простая маскировка не подходит, так как после получения ответа модели невозможно понять, кто скрывается за выдуманными именами. Решение — обратимая псевдонимизация: данные заменяются на структурно похожие псевдонимы, а после анализа ответ модели расшифровывается обратно.
Ключевая особенность — работа с денежными суммами. Если заменить каждую сумму случайным числом, модель потеряет пропорции: 1 000 000 превратится в 832 451, 2 000 000 — в 174 992, и уже нельзя корректно определить, кто должен больше. Вместо этого все суммы в одной сессии умножаются на один секретный коэффициент. Например, при k = 1.73 сумма 1 000 000 становится 1 730 000, 2 000 000 — 3 460 000. Абсолютные значения меняются, но сохраняются отношения, доли, порядок и выбросы. Это позволяет модели анализировать данные почти как исходные.
Преимущество коэффициента проявляется, когда модель рассчитывает новые значения. Если попросить её вычислить ежемесячный платёж, ответ содержит число, которого не было в исходных данных. Обычный словарь замен не поможет, но поскольку все суммы умножены на один коэффициент, результат можно преобразовать обратно тем же правилом. Так восстанавливаются не только исходные суммы, но и часть значений, которые модель рассчитала сама.
Для денежных сумм используется единый секретный коэффициент, сохраняющий пропорции и доли.
Однако умножать все числа нельзя. Проценты, количества, даты документов, номера договоров и счета учёта вида 20.01.1 остаются без изменений. Например, НДС 20% после умножения на коэффициент превратился бы в 34,6%, что привело бы к неверным выводам модели. Поэтому обработка изменяет только то, что нужно скрыть, максимально сохраняя смысл данных.
Обработка ищет широкий спектр чувствительных значений: ФИО, организации, ИНН, ОГРН, банковские счета, номера карт, паспортные данные, телефоны, email, даты рождения, адреса и автомобильные номера. Задача не сводится к простым регулярным выражениям: ИНН проверяется по контрольной сумме, банковская карта — по алгоритму Луна, email заменяется адресом на example.com. Псевдонимы делаются структурно похожими на оригинал, что полезно, если данные обрабатывает не только нейросеть, но и промежуточный парсер.
Словарь замен хранится в памяти обработки, а не в отдельном файле. Это важно, поскольку файл mapping.json фактически является ключом к деанонимизации: если он попадёт в чужие руки, все псевдонимы можно будет расшифровать. Обработка работает только с текстом, который пользователь ей передал, и самостоятельно ничего не отправляет во внешние сервисы.
Метод подходит для задач анализа дебиторской задолженности, поиска аномалий, группировки контрагентов, объяснения расхождений и расчёта графиков платежей. Он позволяет использовать нейросети для работы с чувствительными данными без риска утечки, сохраняя при этом возможность интерпретировать результаты.
