От «человеческого фактора» к цифровой объективности: трансформация экспертной роли в анализе результатов исполнения контрактов и договоров

Введение .

В последние годы наблюдается активный переход от традиционных, преимущественно «человеческих» моделей экспертной оценки результатов исполнения контрактов (на выполнение работ, оказание услуг, поставку товара) к цифровым формам экспертизы, что отражает общемировую тенденцию цифровизации управления и контроля. В частности, цифровизация закупок для государственных и муниципальных нужд становится элементом борьбы с бюрократией, коррупцией и субъективизмом в оценке исполнения обязательств. Так, например, по данным анализа закупок в 2024 году, в России было заключено более 4 млн контрактов и договоров на общую сумму около 26 трлн рублей [1].

В отчётах участников рынка отмечается, что доля процедур, оформляемых через цифровые торговые платформы, неуклонно растёт: это влияет на эффективность закупок, сокращение сроков и улучшение прозрачности [2; 3].

В свою очередь, системное внедрение информационных систем, включая Единую информационную систему в сфере закупок (ЕИС), создает технологическую базу для дальнейшей возможной автоматизации экспертизы закупочной и отчетной документаций.

Тем не менее, проведение экспертизы в классическом виде по-прежнему сопряжено с рядом рисков: субъективность суждений, когнитивные искажения, ошибки, а также необходимость в ряде случаев привлечения высококвалифицированных специалистов с междисциплинарными компетенциями (правовыми, техническими, аналитическими) [4; 5].

Цифровые технологии и, в особенности системы на базе искусственного интеллекта (далее ИИ), представляют собой инструмент, способный повысить объективность, воспроизводимость и скорость проведения и оформления результатов экспертизы, снизить вероятность ошибок и стандартизировать процедуры оценки [6–8].

Цель настоящего исследования – рассмотреть трансформацию роли эксперта при переходе к цифровой экспертизе: от субъективной интерпретации «человека-эксперта» к роли верификатора и аналитика в условиях использования цифровых инструментов и ИИ.

В статье ставятся следующие ключевые вопросы: Как изменяются задачи и компетенции эксперта, в чем состоят преимущества и ограниче- ния цифровой экспертизы? Какие требования предъявляются к организациям и процедурам, как выстроить модель, обеспечивающую баланс между автоматизированной проверкой и экспертным контролем?

Статья имеет как теоретическую, так и практическую значимость. С одной стороны – для науки о экспертизе и стандартизации экспертных процедур; с другой – для практиков, задействованных в контрактной, закупочной и иной экспертной деятельности, заинтересованных в повышении прозрачности, эффективности и устойчивости процессов за счет цифровизации закупочной деятельности.

Результаты .

Экспертиза результатов выполнения работ и оказания услуг в рамках контрактов и договоров традиционно рассматривается как особый вид аналитической деятельности, направленный на установление степени соответствия фактически достигнутых результатов работ/услуг требованиям, установленным в технических заданиях (описаниях объекта закупки), а также закреплённым в нормативных актах, методиках и порядках приемки результатов.

В отличие от классического контроля, основанного на формальных регламентах, экспертная деятельность предполагает использование профессионального суждения, опоры на опыт, междисциплинарные знания и способность интерпретировать сложные, неоднородные и частично структурированные данные.

Методологическая база экспертного анализа включает несколько ключевых элементов:

• 1.    Нормативно-правовую основу, определяющую обязательные процедуры, критерии и требования к результатам работ (услуг). В разных сферах это могут быть отраслевые стандарты, методики оценки качества, федеральные нормы и правила, профессиональные стандарты, а также специальные регламенты проведения экспертизы.

• 2.    Теоретические подходы к экспертному оцениванию – в том числе теория принятия решений, теория измерений качества, методы экспертных оценок, концепции функциональностоимостного анализа, методы проектной аналитики и процедурная онтология оценки результата.

• 3.    Методы сбора, структурирования и интерпретации данных, среди которых: документный ана-

• лиз, сопоставление с нормативами, верификация входящих данных, оценка полноты и корректности документации, анализ несоответствий и критических отклонений.

• 4.    Механизмы формирования экспертного заключения, включающие логическую реконструкцию фактического результата, интерпретацию доказательной базы, формирование выводов и квалификацию выявленных отклонений. Наиболее сложной частью является баланс между формальными критериями и профессиональным суждением эксперта.

Несмотря на развитую методологию, традиционная экспертная модель характеризуется высокой зависимостью от человеческого фактора. Когнитивные искажения (эффект подтверждения, предвзятость выбора, «якорение»), эмоциональная вовлечённость, усталость, ограниченность времени и ресурсов могут приводить к снижению объективности и воспроизводимости экспертных решений. Кроме того, в условиях роста объёмов работ и усложнения контрактной деятельности эксперт сталкивается с перегрузкой информации, что снижает качество проверки и повышает вероятность ошибок.

Таким образом, теоретические и методологические основания современной экспертизы представляют собой многослойную систему, в которой человеческое суждение остаётся ключевым элементом, но одновременно становится наиболее уязвимым. Это создаёт предпосылки для перехода к цифровым формам экспертной деятельности, способным усилить объективность, повысить точность анализа и обеспечить стандартизацию процедур. Понимание того, какие элементы традиционной экспертной модели могут быть цифровизированы, а какие требуют сохранения человеческого участия, является критически важным для последующей трансформации экспертной роли.

Цифровизация экспертных процессов является ключевым трендом развития современных систем контроля, мониторинга и оценки результатов выполнения работ (оказания услуг).

Переход от традиционной модели экспертизы к цифровой обусловлен несколькими взаимосвязанными факторами:

• – ростом объёмов, данных и числа оцениваемых объектов;

  – усложнением технических требований к результатам работ;

  – потребностью в повышении прозрачности и снижении субъективности экспертных решений;

  – развитием технологий искусственного интеллекта и возможностей автоматизированного анализа данных [9].

Эволюцию цифровой экспертизы условно можно разделить на несколько этапов:

I этап оцифровка данных и документации, позволяющая переводить входящие материалы в машиночитаемый вид, проводить первичную структуризацию и минимизировать потери информации при передаче.

II этап автоматизация отдельных процедур, включающая проверку комплектности, формальных требований, сроков выполнения, корректности расчётов и соответствия установленным показателям.

III этап использование алгоритмов анализа данных, обеспечивающих сопоставление характеристик, выявление аномалий, поиск несоответствий и проведение сравнительных оценок.

IV этап внедрение технологий искусственного интеллекта, позволяющих автоматически интерпретировать документы, классифицировать результаты, выявлять скрытые зависимости и формировать предварительные экспертные заключения.

Переход к интеллектуальным экспертным системам, в рамках которых ИИ выступает полноценным участником экспертной процедуры, обеспечивая поддержку принятия решений, сокращение рутинных операций и повышение точности анализа [10].

Цифровая объективность понимается как способность информационной системы формировать непротиворечивые, воспроизводимые и независимые от субъективных факторов оценки. Её ключевые критерии представлены на рисунке 1.

Рисунок 1 – Критерии цифровой объективности

Цифровая объективность не исключает участия эксперта, но меняет его роль, переводя внимание с рутинной проверки данных на интерпретацию выводов алгоритмов и контроль их корректности.

Ключевыми технологическими инструментами цифровизации экспертизы становятся:

– машинное обучение и нейронные сети, обеспечивающие автоматическое извлечение информации из документов и сопоставление данных;

– технологии компьютерного зрения, позволяющие анализировать фото- и видеоматериалы, подтверждающие результаты работ;

– большие данные, обеспечивающие возможность сопоставления результатов с эталонами, историческими выборками и отраслевыми базами знаний;

– интеллектуальные системы контроля качества, формирующие первичное экспертное заключение на основе структурированных критериев;

– цифровые платформы и реестры, создающие единое информационное пространство и сокращающие вероятность ошибок при ручной передаче данных.

Развитие этих технологий радикально меняет структуру экспертизы, повышая точность и стандартизируя ключевые процессы.

Национальные и корпоративные системы активно интегрируют автоматизированные механизмы экспертизы:

– в сфере закупок – автоматический анализ документов о приёмке, проверка сертификатов, верификация данных, анализ рисков;

– в технической сфере – цифровые паспорта изделий, автоматическая диагностика, мониторинг параметров эксплуатации;

– в образовании – автоматизация оценки результатов образовательных программ, мониторинг качества услуг;

– в НИР – системы анализа научных отчётов, оценка полноты результатов, проверка соответствия плановым заданиям.

Эти примеры показывают, что цифровая трансформация экспертизы развивается независимо в разных отраслях, формируя предпосылки для появления универсальных подходов и единых стандартов цифровой оценки.

Цифровизация экспертной деятельности приводит к существенному пересмотру традиционной профессиональной роли эксперта. Если ранее эксперт выступал основным носителем знаний, интерпретатором результатов и ключевым субъектом принятия решений, то в условиях развития технологий искусственного интеллекта его функции постепенно смещаются в сторону контроля, верификации и интерпретации автоматизированных выводов. Эта трансформация затрагивает методологию работы, компетентностный профиль, ответственность и характер взаимодействия между человеком и цифровыми инструментами.

В традиционной модели эксперт отвечал за полный цикл анализа результатов от изучения документации до формулирования заключения. Такой подход обеспечивал гибкость, но имел значительный риск субъективности. В интеллектуальных системах роль эксперта трансформируется (рис. 2):

^j валидатор алгоритмических решений, оценивающий

' релевантность выводов ИИ;

верификатор данных, подтверждающий корректность используемых цифровыми системами источников информации

куратор экспертного процесса, отвечающего за корректность и полноту процедур

интерпретатор сложных ситуаций, где требуется учёт контекста, отраслевой специфики или наличия неоднозначных результатов

Рисунок 2 – Роли эксперта в интеллектуальной системе

Таким образом, эксперт становится не заменяемым, а переориентированным на функции контроля качества и интерпретации.

Трансформация роли предполагает развитие дополнительных компетенций, среди которых:

• 1)    цифровая грамотность, включая понимание принципов работы ИИ, алгоритмов машинного обучения и источников данных;

• 2)    умение работать с большими массивами данных, интерпретировать цифровые следы и результаты автоматизированного анализа;

• 3)    повышенная аналитическая компетентность, обеспечивающая способность оценивать достоверность цифровых выводов;

• 4)    правовые знания, позволяющие корректно интерпретировать автоматизированные решения в контексте нормативных требований;

• 5)    метакомпетенции: критическое мышление, способность выявлять аномалии в алгоритмических результатах, навыки принятия решений в условиях неопределённости.

Эксперт перестаёт быть только «знатоком содержания» и становится специалистом по работе в человеко-машинной среде.

Одним из ключевых вопросов трансформации является определение границ ответственности. Применяемые модели предполагают такие границы:

• 1)    полная ответственность эксперта за итоговое заключение при использовании ИИ как вспомогательного инструмента;

• 2)    разделённая ответственность, когда отдельные элементы анализа делегируются цифровым системам;

• 3)    алгоритмическое решение с последующей экспертной верификацией, что позволяет существенно уменьшить трудозатраты при сохранении качества.

Оптимальной признаётся гибридная модель, в которой эксперт выполняет функцию надёжного регулятора, предотвращающего ошибочные решения, вызванные алгоритмическими искажениями, некачественными данными или неверной постановкой задачи.

Несмотря на значительные преимущества цифровых инструментов, существует риск избыточного доверия к алгоритмам. Основные угрозы включают:

• 1)    некорректность исходных данных;

• 2)    систематические ошибки обучения;

• 3)    непрозрачность алгоритмов («black box»);

• 4)    искажения, вызванные историческими данными;

• 5)    снижение критичности восприятия цифровых результатов со стороны эксперта.

В этих условиях эксперт выступает «второй линией защиты», обеспечивая устойчивость и достоверность процедуры экспертизы.

По мере развития цифровых систем эксперт также получает новую роль – модератора цифровой экспертной среды. Он обеспечивает:

• –    корректное взаимодействие между автоматизированными подсистемами;

• –    интерпретацию пограничных случаев;

• –    адаптацию алгоритмов под отраслевые специфики;

• –    формирование обратной связи для улучшения моделей ИИ.

Таким образом, цифровая трансформация не исключает эксперта из процесса, а повышает значимость его участия на уровне управления, анализа и принятия окончательных решений.

Интеллектуальная автоматизация представляет собой качественно новый этап развития экспертной деятельности, в рамках которого значительная часть рутинных операций по анализу результатов выполнения работ (оказания услуг) делегируется системам искусственного интеллекта и автоматизированной аналитики. Это становится возможным, благодаря развитию методов машинного обучения, технологий обработки естественного языка, компьютерного зрения и алгоритмического сопоставления данных [11]. Такой подход позволяет сократить время экспертизы, повысить её точность и обеспечить единообразие выводов при проверке больших массивов информации.

Ключевым условием автоматизации является доступность структурированных и полуструкту-рированных данных [12]. В типовой экспертной процедуре источниками являются элементы, представленные в таблице 1.

Таблица 1

Источники данных для экспертной процедуры

№ п/п	Источник	Составляющие элементы
1	Договорная документация	Технические задания, календарные планы, условия исполнения
2	Отчётная документация исполнителя	Описательные отчёты, акты выполненных работ, документы о приёмке
3	Сертификаты, декларации, паспо рта изделий и инстру кции	Характеристики объектов поставки или услуг
4	Фото- и видеоматериалы	Артефакты, подтверждающие фактическое исполнение
5	Нормативно-справочные данные	Отраслевые регламенты, стандарты, технические условия
6	Исторические данные	Необходимы для сопоставления с аналогичными объектами

ИИ-системы способны автоматически извлекать информацию из документооборота, выделять ключевые параметры, сопоставлять характеристики и выявлять отклонения [13].

Интеллектуальная автоматизация включает использование нескольких групп алгоритмов (табл. 2).

Таблица 2

Группы алгоритмов интеллектуальной автоматизации

Алгоритмы извлечения данных (NLP-модели)	Алгоритмы сопоставления требований и результатов	Алгоритмы выявления аномалий	Алгоритмы компьютерного зрения
Позволяют интерпретировать те кст отчётов, сопроводительных документов, технических характеристик, выделять сущности (поставщик, параметры изделия, сроки выполнения и т.п.) и формировать базу данных для дальнейшего анализа	Система сравнивает: – фактические показатели с требованиями технического задания (описания объекта закупки); – характеристики товаров с нормативами или КТРУ; – полученные параметры с исторической выборкой	Механизмы машинного обучения фиксируют: – несоответствия х аракте-ристик; – статистические выбросы; – противоречия между документами; – попытки фальсификации отчётных данных	Используются для анализа фото- и видеоматериалов, подтверждающих: – наличие объекта; – его состояние; – соответствие предъявленным требованиям

Эти механизмы позволяют эффективно выявлять отклонения, которые трудно обнаружить при традиционном ручном анализе.

В зависимости от природы объекта анализа, интеллектуальные системы применяются по-разному.

• 1.    При поставке товаров ИИ способен автоматизировать почти весь цикл проверки:

• 1)    анализ комплектности документов;

• 2)    проверку сертификатов и деклараций в реестрах;

• 3)    сопоставление характеристик с установленными требованиями;

• 4)    проверку страны происхождения;

• 5)    анализ фото- и видеоматериалов поставленного товара.

• 2.    При выполнении работ задача усложняется из-за отраслевой специфики. ИИ может:

Это делает эту сферу наиболее готовой к полной цифровизации экспертизы.

• – контролировать сроки и этапность работ;

  – анализировать объемы и план-факт их выполнения;

  – сопоставлять результаты с нормативными требованиями и стандартами.

• 3.    При оказании услуг ИИ выполняет:

  – анализ количественных показателей оказанных услуг;

  – оценку полноты выполнения обязательств;

  – сопоставление результатов с качественными критериями.

• 4.    При выполнении НИР интеллектуальные системы могут:

• –    проверять полноту представленных материалов;

• –    анализировать структуру отчётов;

• –    сопоставлять результаты с плановым заданием.

Однако интерпретация технических и инженерных решений часто требует участия человека.

Сложность связана с тем, что многие показатели услуг имеют качественный характер и требуют экспертного толкования.

Но оценка научной новизны и содержания результатов требует человеческого экспертного суждения.

Современные системы ИИ способны формировать предварительное заключение, включающее:

• –    перечень выявленных несоответствий;

• –    оценку степени риска (критичность отклонений);

• –    перечень подтверждающих доказательств;

• –    рекомендации для эксперта.

Такое заключение не заменяет мнение специалиста, но служит основой для ускорения и повышения качества экспертного процесса.

Несмотря на высокий потенциал, остаются существенные ограничения:

• 1)    неполнота или низкое качество данных;

• 2)    невозможность автоматизировать оценочные и содержательные решения;

• 3)    ограниченная применимость в творческих или научных видах деятельности;

• 4)    необходимость учёта контекста и отраслевой специфики.

Поэтому оптимальной является гибридная модель, в которой алгоритмы выполняют рутинный анализ, а эксперт принимает окончательное решение.

Обсуждение .                                        ционный характер. Понимание этих барьеров

(табл. 3) критически важно для корректного по-

Несмотря на существенный потенциал техноло-       строения гибридной модели экспертизы и гий искусственного интеллекта в автоматизации       предотвращения рисков, связанных с алгоритми- экспертного анализа результатов выполнения       зацией экспертных процедур.

работ (оказания услуг), их внедрение сталкива ется с рядом ограничений, которые носят техни ческий, правовой, методологический и организа-

Барьеры внедрения инструментов ИИ в экспертные процедуры

Таблица 3

№ Барьер п/п                 р р	Элемнты ограничений
1 Технические ограничения	–    низкое качество входных данных : несогласованные форматы документов, сканированные копии низкого разрешения, отсутствие машиночитаемых структур; –    неоднородность данных : разные форматы актов, отчётов и технических документов даже в рамках одной отрасли; –    недостато к отраслевых справочников и стандартизированных баз знаний, необходимых для корректной работы алгоритмов; –    проблема интеграции с действующими информационными системами, включая ЕИС, ведомственные реестры и корпоративные платформы; –    ограниченная способность ИИ корректно интерпретировать контекст, особенно если данные соде ржат исключения, неоднозначности или требующие экспертного суждения формулировки
2 Правовые барьеры	– отсутствие нормативного признания автоматизированной экспертизы как самостоятельной процедуры [14]; – жёсткое закрепление ответственности за экспертизу за должностными лицами, что исключает передачу ключевых решений ИИ [15]; – отсутствие правовых норм, регулирующих допустимость алгоритмической интерпретации документов; – непрозрачность алгоритмов как фактор невозможности юридической верификации цифрового заключения; – ограничения на автоматическое сопоставление данных персонального или конфиденциального характера
3 Методологические ограничения	–    отсутствие единых критериев оценки во многих сфе рах услуг и работ; –    высокая зависимость результатов от эмпирического опыта эксперта, который трудно формализовать; –    наличие качественных и трудно формализуемых показателей, таких как степень проработанности, инновационность, качество решений; –    разнородность работ и услуг, что ограничивает возможность создания универсальных моделей
4 Организационные ограничения	–    недостаточная цифровая зрелость заказчиков и исполнителей; –    сопротивление персонала изменениям и опасения замены чело веческо й экспертизы цифровыми инструментами; –    недостато к компетенций для работы в человеко-машинных систе мах ; –    ограниченные ресурсы организаций для внедрения сложных ИИ-решений; –    отсутствие практики использования гибридных экспертных моделей
5 Этические и социальные аспе кты	–    проблема прозрачности алгоритмов («black box»), особенно при принятии значимых решений [16]; –    риски дискриминации и предвзятости вследствие дефектов обучающих данных ; –    угроза утраты доверия к экспертным процедурам при отсутствии объяснимости решений ИИ; –    возложение ответственности за ошибки ИИ, которое в текущей правовой модели остается неурегулированным; –    опасения снижения статуса человеческого эксперта [17]

Технические барьеры являются одними из наиболее существенных, поскольку определяют фундаментальную возможность функционирования цифровой экспертной системы. Эти сложности существенно увеличивают затраты на разработку и внедрение цифровых экспертных систем, а также требуют подготовки обширной базы данных для обучения моделей.

Правовое регулирование экспертной деятельности во многих сферах изначально ориентировано на участие человека-эксперта как субъекта принятия решения. Эти барьеры требуют модернизации правовых актов, введения новых поня-

тий и регламентов, включающих цифровую экспертизу как вспомогательный или гибридный инструмент.

Методологические сложности связаны с особенностями экспертной деятельности. Автоматизация возможна преимущественно там, где требования и критерии строго формализованы, а материалы представлены в стандартизированном виде.

Даже при наличии технической и методологической готовности остаются организационные проблемы:

– Организационная готовность является ключевым фактором успешной цифровизации;

– Автоматизация экспертизы неизбежно порождает вопросы этики. Этические требования требуют разработки механизмов объяснимости, прозрачности и контроля алгоритмов.

Переход к цифровой объективности в анализе результатов выполнения работ (оказания услуг) предполагает не замену человека машиной, а создание гибридной системы, в которой искусственный интеллект и эксперт объединяют свои сильные стороны. Такая модель обеспечивает высокую точность обработки данных, масштабируемость и воспроизводимость алгоритмов при сохранении глубины экспертного суждения, необходимой для интерпретации контекстных, качественных и нестандартных ситуаций [18].

Формирование будущей экспертной системы требует определения архитектурных принципов, распределения функций и механизмов взаимодействия между человеком и ИИ.

Будущая цифровая система экспертизы должна опираться на следующие принципы:

• 1)    комплементарность: алгоритмы и человек выполняют разные, но взаимодополняющие функции;

• 2)    прозрачность: логика работы ИИ должна быть объяснима экспертам и проверяющим органам;

• 3)    масштабируемость: система должна поддерживать обработку больших массивов данных;

• 4)    гибкость конфигурации: возможность адаптации под отраслевые специфики и различные предметы экспертизы;

• 5)    безопасность данных: соответствие требованиям защиты информации, включая контроль доступа и аудит действий.

Эти принципы формируют основу для устойчивой и воспроизводимой модели экспертной деятельности.

Эффективная модель синергии предполагает распределение функций между тремя ключевыми компонентами [19] (рис. 3).

Модуль автоматизированного анализа данных		Экспертноаналитический модуль (человек-эксперт)		Модуль верификации и контроля качества
•    первичная обработка       • интерпретация             • фиксация логики документов;                 результатов ИИ;             принятия решений; •    проверка                  • анализ сложных и          • аудит корректности комплектности;              неоднозначных случаев;      алгоритмов; •    извлечение                 • квалификация              • контроль рисков; характеристик и              отклонений как             • документирование параметров;                 критичных или              экспертного процесса •    выявление                 допустимых; несоответствий;              • принятие •    анализ фото- и               окончательного видеоматериалов;           решения •    формирование предварительного заключения Рисунок 3 – Ключевые компоненты цифровой системы экспертизы

Такая архитектура обеспечивает прозрачность и предсказуемость экспертных процедур.

В цифровой «экосистеме» эксперт становится:

• 1)    куратором алгоритмических решений, определяющим границы их применимости;

• 2)    модератором экспертного процесса, обеспечивающим согласованность данных и выводов;

• 3)    антикризисным интерпретатором, разбирающимся в исключениях, которые не может обработать ИИ;

• 4)    участником настройки и обучения моделей, обеспечивая обратную связь для повышения точности алгоритмов.

Таким образом, эксперт не теряет значимости -наоборот, его роль становится более стратегической.

Гибридная система может функционировать в нескольких режимах:

• 1)    «алгоритм + эксперт», когда ИИ выполняет 70–90 % рутинной аналитики, эксперт принимает финальное решение;

• 2)    «эксперт + алгоритм поддержки принятия решений», когда система предлагает рекомендации и интерпретации;

• 3)    режим «двойного контроля», когда ИИ и человек независимо проверяют одни и те же материалы;

• 4)    режим «эскалации», когда ИИ анализирует типовые случаи, а сложные автоматически передает эксперту.

Выбор режима зависит от отрасли, типа ра-бот/услуг и регулятивных требований.

Модель синергии человека и ИИ способна масштабироваться в различных направлениях:

• 1)    повсеместное внедрение в контрактной системе, включая контроль исполнения, мониторинг и планирование;

• 2)    расширение на отрасли образования, здравоохранения, строительства и НИР;

• 3)    интеграция с отраслевыми цифровыми платформами и реестрами;

• 4)    повышение качества данных за счёт стандартизации отчётности;

• 5)    развитие объяснимого ИИ, позволяющего экспертам понимать логику алгоритмов.

Дальнейшее развитие таких моделей создаёт условия для появления полноценной экосистемы цифровой экспертизы, в которой человек и технологии действуют согласованно, повышая качество контроля и управления.

Заключение .

Переход от традиционной экспертизы, основанной на человеческом суждении, к цифровой объективности представляет собой системную трансформацию экспертной деятельности.

Проведённый анализ показал, что цифровизация меняет не только инструментарий оценки результатов выполнения работ (оказания услуг), но и фундаментальные принципы организации экспертного процесса, распределение ответственности, требования к компетенциям и саму природу экспертного решения.

Технологии искусственного интеллекта позволяют существенно повысить точность анализа, сократить влияние человеческого фактора,