Двадцать лет в корпоративном кредитовании — кредитный анализ и реструктуризация в банках (последнее место — Совкомбанк, CIB). Сейчас работаю финансовым директором на аутсорсе для малого и среднего бизнеса и сам строю инструменты под эту работу: управленческий учёт, финансовые модели, подготовка к банковскому финансированию.
Здесь лежит код. Финансовые кейсы — на сайте-портфолио, разбор задач — в канале.
Финансы. Управленческий учёт и отчётность, финансовые модели, экспресс-диагностика подготовки компании к банковскому финансированию: что увидит в отчётности кредитный аналитик и что стоит поправить заранее. Решение по кредиту принимает банк, моя часть — подготовка и расчёты.
Инструменты под эти задачи. Ассистенты по документации на базе поиска по документам (RAG), Telegram-боты, разбор отчётности и первичных документов, дашборды, обезличивание документов перед отправкой в языковые модели.
Принцип. Модель готовит черновик, решение принимает человек. Каждое число в отчёте прослеживается до первичного документа. Персональные данные и коммерческая тайна за пределы российского контура не уходят — это заложено в код, а не в инструкцию.
Сайт с обезличенными кейсами: перевод проблемного инвестиционного кредита в здоровое
обслуживание, лизинг вместо кредита с расчётом налогового эффекта. Исходники страниц.
HTML · CSS · GitHub Pages → открыть сайт
Договоры, отчётность и меморандумы обезличиваются локально: имена, компании, счета и адреса
заменяются метками, ключ соответствия остаётся на компьютере. После работы модели текст
восстанавливается обратно. Данные не покидают машину.
Python · docx/xlsx/pdf · regex · Natasha (NER)
Ролевой доступ к базе знаний: гость, аналитик и администратор видят разные документы,
персональные данные маскируются, часть документов не векторизуется вообще. Тест на утечку —
30 проверок из 30. Право на персональные данные даёт не роль, а пара «роль + куда уходят данные».
Python · ChromaDB · bge-m3 · Ollama / GigaChat / GPT
Один поиск — три модели на выбор: локальная, российская и зарубежная через шлюз. Замер RAGAS
показал, что точность поиска у всех трёх одинакова (0,93), а достоверность ответа расходится
от 0,81 до 0,98 — то есть отвечает за выдумки модель, а не поиск.
Python · ChromaDB · RAGAS · кэш на SQLite
Разбор сайтов конкурентов по сегменту клиентов, ценообразованию и сигналам доверия: текст,
скриншот страницы целиком и пакетный прогон по нише. Веб-интерфейс и настольная версия.
FastAPI · Selenium · Vision-модель · PyQt6
В приватных репозиториях (там личные данные, публиковать нечего): секретарь-бот «Ася» — входящие из текста, голоса, писем и скриншотов превращаются в события и задачи календаря, работает круглосуточно на российском сервере; дневник силовых тренировок с разбором динамики за четыре года.
Языковые модели — Claude, GPT, GigaChat, локальные через Ollama. Поиск по документам — ChromaDB, Weaviate, Pinecone, эмбеддинги bge-m3, оценка качества через RAGAS. Финансовая часть — 1С, Excel, ПланФакт, Финтабло.
График вкладов ниже GitHub рисует сам.
- Telegram для связи — @DmitryBorisyuk
- Канал о финансах для собственников — @FindirMoscow
- Кейсы — dabman1980.github.io/portfolio
Услуги оказывает Борисюк Дмитрий Александрович.