Иные проекты участников сообщества

Юристы из сообщества Нейросети | ilovedocs встраивают ИИ и связанные с ним инструменты в повседневную практику: автоматизируют повторяющиеся задачи, выстраивают процессы из нескольких этапов и создают системы под свои потребности. Эти проекты показывают, как сочетать описанные в Базе знаний инструменты и подходы — языковые модели, обычный код, работу с данными и проверку человеком — для решения конкретных юридических задач. Если вы хотите рассказать о своем проекте, воспользуйтесь формой обратной связи.

Дата составления: 2026-11-03
Статус: 💡 Актуально

Мониторинг изменений законодательства

Автор: Александра Логинова, юрист TravelLine

Источник: описание сервиса в канале сообщества (24.09.2026)

О чем проект: Александра автоматизировала сбор изменений законодательства, которые могут затронуть компанию, включая проекты нормативных актов.

Механика:

  • Сервис на Python проверяет 13 источников — сайты госорганов, справочные правовые системы, деловые СМИ и другие площадки — и собирает новые публикации через RSS-ленты или со страниц сайтов.

  • Обычные фильтры убирают старые документы, дубли и неподходящие материалы, затем языковая модель оценивает релевантность, объясняет суть изменения и предлагает, какие отделы оно затронет.

  • Для каждого документа сохраняется цифровой отпечаток: сервис отличает новый материал от уже обработанного и замечает изменения в его тексте.

  • Результаты попадают в очередь на внутреннем сайте, где юрист проверяет описание и решает, опубликовать запись или отклонить ее.

На момент публикации модель запускалась локально через Ollama; порядок обработки был задан в коде.

Практический эффект: до автоматизации просмотр источников занимал до 24 часов в месяц, а общую таблицу обновляли примерно раз в месяц. Проект показывает, как превратить сбор новостей в управляемый процесс: убирать повторы, замечать изменения уже знакомых документов и доводить сведения до тех, кому они нужны.

«Подшивка»: открытый набор актов Верховного Суда

Автор: Алексей Рыболовлев

Источники: анонс проекта (20.09.2026), репозиторий «Подшивка», пример аналитики по собранным данным (22.09.2026)

О чем проект: Алексей собрал из открытых данных акты Верховного Суда РФ, которые отдают сайты судов, и выложил их в открытый репозиторий. По описанию автора, материалы опубликованы под открытой лицензией, а отдельный бот каждый день добавляет новые акты.

На собранных данных Алексей подготовил отчет «Верховный Суд РФ изнутри» — пример того, какие наблюдения можно извлекать из массива судебных документов. В планах автора — собрать в том же месте законодательство, отфильтровать нерелевантные акты и распознать документы, которым требуется OCR, то есть извлечение текста из сканов.

Почему это ценно: собственный корпус документов дает основу для экспериментов, которые трудно провести, просматривая судебные акты по одному. Его можно использовать для аналитики, подготовки тематических подборок и организации поисковых индексов. Проект делает видимой отдельную большую работу — сбор и регулярное пополнение данных, на которых затем строится ИИ-инструмент.

Мониторинг судебной практики по корпоративным спорам

Автор: Алексей Мартынов

Источник: подробное описание системы (14.09.2026); результаты, одобренные автором, — в канале «Корпоративные споры»

О чем проект: Алексей собрал помощника на Python, который ежедневно ищет в банке решений арбитражных судов свежие акты Верховного Суда РФ и Арбитражного суда Московского округа по корпоративным спорам.

Механика:

  • Каждый запуск охватывает последние 15 дней по дате регистрации, чтобы учесть задержки появления документов.

  • Фильтры исключают повторы, слишком короткие тексты и акты без содержательной правовой позиции.

  • Из файлов .pdf извлекается текст, по которому языковая модель готовит краткое изложение основной позиции суда; на момент публикации использовалась Qwen3-235B через Yandex AI Studio.

  • Дополнительные правила помечают для проверки ссылки на Пленумы, Обзоры и информационные письма, которых нет в исходном акте.

  • Разбор вместе со ссылкой на дело приходит автору в Telegram, где доступны действия «Опубликовать», «Редактировать», «Теги» и «Пропустить». В канал уходит только то, что Алексей подтвердил.

Практический эффект: система берет на себя повторяющиеся этапы мониторинга — найти новые документы, убрать уже просмотренные, выделить содержательные акты и подготовить первичное изложение. Окончательный отбор и редактура остаются у юриста, а автоматизация помогает сосредоточиться на правовой позиции суда.

Конвейер расшифровки судебных заседаний

Автор: Семен Мошкин

Источник: интервью «Транскрибируем в домашних условиях» (09.09.2026)

О чем проект: Семен собрал конвейер для расшифровки аудиозаписей судебных заседаний, в котором разделены подготовка звука, распознавание речи, определение спикеров и сборка итогового текста.

Механика:

  • На реальных записях из зала качество приходится обеспечивать еще до распознавания: убирать гул, выравнивать громкость и по возможности записывать участников с двух микрофонов. Речь распознает локальная GigaAM-v3, а реплики распределяются по спикерам через pyannote — этот этап называется диаризацией.

  • Код отделяет уверенно распознанный текст от сомнительных мест и передает Claude только фрагменты, которые нужно разобрать.

  • Итоговый протокол собирает код, сохраняя таймкоды и бесспорные части расшифровки.

Такой порядок помогает обрабатывать длинные записи, не отдавая языковой модели весь документ на переписывание.

Практический эффект: расшифровка превращает запись заседания в рабочий материал: ее можно сопоставить с протоколом, выделить позиции участников и подготовить вопросы к следующему процессу. Кейс показывает, сколько в качестве результата зависит от записи звука, подготовки данных и разделения работы между кодом и моделями. Подробнее об этапах этого конвейера — в статье «Локальные решения».

Личная LLM-вики с интерфейсом для чтения

Автор: Степан Леонтьев

Источник: рассказ автора о собственной LLM-вики (21.08.2026)

О чем проект: Степан собрал личную библиотеку результатов глубоких исследований, чтобы возвращаться к накопленным знаниям после решения первоначальной задачи.

Механика:

  • В основе — материалы в Markdown и языковая модель, которая помогает вести библиотеку.

  • Для чтения создан собственный HTML-интерфейс с поиском и словарем.

  • Типовые действия — добавление материала, заполнение содержания и проверку ссылок — автор перенес в код.

В публикации автор обозначил дальнейшую цель — вести библиотеку с помощью небольших локальных моделей.

Архив, в котором описаны базовые инструкции, скрипты и устройство библиотеки, с помощью которого можно настроить собственную библиотеку по методу Степана, опубликован в канале автора.

Практический эффект: результаты исследований получают место, где их можно найти и использовать повторно. Проект показывает, как совместить работу модели с привычным человеку чтением и поиском по библиотеке. Сам подход разобран в статье «LLM-вики и Obsidian».

Связанные статьи

Дополнительные материалы

Теги: #проекты-участников #мониторинг #судебная-практика #законодательство #расшифровка-аудио #базы-знаний #llm-вики