REST API нейросети за 40 минут: как автоматизировать нормализацию номенклатуры в 1С и SAP
Если REST API (программный интерфейс, через который одна система отправляет запросы другой по сети) нейросети звучит как нечто из мира разработчиков, то эта инструкция покажет, что подключить ИИ к рабочей системе учёта можно без написания кода с нуля, а результат ощутим сразу: данные перестают дублироваться, а карточки номенклатуры приходят в порядок автоматически.

Российские компании ведут справочники в 1С:MDM, SAP и десятках смежных баз. Ручная нормализация номенклатуры отнимает до 70-80% рабочего времени экспертов по нормативно-справочной информации (НСИ), а классические алгоритмы сравнения строк дают приемлемый результат лишь в 30-40% случаев. Гибридный сервис, доступный через REST API нейросети, закрывает этот разрыв.
Речь о сервисе SOFROS AI/ML, который описан в цикле публикаций команды SOFROS. Компания пришла к выводу, что ни один инструмент не решает задачу нормализации данных сам по себе. Поэтому сервис объединяет три подхода: шаблонные методы для стандартных параметров, классическое машинное обучение и большие языковые модели (LLM, Large Language Model) для сложных неструктурированных описаний. Всё это работает через единое REST API, к которому подключается ваша учётная система.
Что понадобится?
- Доступ к серверу SOFROS AI/ML (компания предоставляет тестовую среду с интерактивной документацией Swagger)
- Учётная система, поддерживающая REST-вызовы: 1С:MDM редакции 2.5, SAP или аналогичная
- Базовое понимание, что такое HTTP-запрос (отправка данных по сети и получение ответа)
- Около 30-40 минут на первую интеграцию и тестовый прогон
Пошаговая инструкция
-
Получите доступ к API и откройте Swagger. Запросите у SOFROS учётные данные. Swagger покажет все доступные методы: какие запросы можно отправить, какие параметры принимает каждый метод и какой ответ вернёт сервис. Это ваша «карта местности» перед интеграцией.
-
Подготовьте тестовую выборку записей. Возьмите 50-100 карточек номенклатуры из вашей системы. Лучше выбрать те, где есть типичные проблемы: опечатки, сокращения, дублирующие позиции с разными названиями одного и того же товара.
-
Отправьте запрос на извлечение атрибутов. Через REST API нейросети передайте текстовое описание позиции. Сервис разберёт строку на структурированные поля: наименование, характеристики, стандарт, единицы измерения.
POST /api/v1/extract
Content-Type: application/json
{
"text": "Труба стальн. бесшов. 57х4 ГОСТ 8732-78 ст.20",
"model": "attribute_extraction"
}
-
Получите нормализованный результат. Сервис вернёт JSON (формат структурированных данных) с разобранными полями. Каждое значение приведено к единому корпоративному формату и проверено по справочным данным.
-
Запустите поиск дубликатов. Отправьте массив записей на метод поиска дублей. Сервис использует семантический анализ, а не простое сравнение букв, поэтому найдёт совпадения даже при разном написании.
-
Настройте автоматическую обработку в MDM. Подключите REST-вызовы к процессу создания карточек в 1С:MDM или SAP. Каждая входящая запись будет автоматически проходить нормализацию, валидацию (проверку корректности) и проверку на дубли. Эксперт только утверждает готовый результат.
-
Проверьте соответствие ФЗ-152. Если данные содержат персональную информацию, активируйте PII-маскировку (автоматическое скрытие персональных данных перед отправкой в модель). Сервис может работать на локальных LLM внутри защищённого контура, без передачи данных за периметр компании.
Исходная запись в системе: «Труба стальн. бесшов. 57х4 ГОСТ 8732-78 ст.20»
После обработки через REST API сервис вернул структурированную карточку:
- Наименование: Труба стальная бесшовная
- Диаметр: 57 мм
- Толщина стенки: 4 мм
- Стандарт: ГОСТ 8732-78
- Марка стали: Ст. 20
Параллельно сервис нашёл три дублирующие записи в базе из 12 000 позиций, которые отличались только сокращениями и порядком слов. Ручной эксперт потратил бы на эту проверку несколько часов.
Попытка использовать только LLM без шаблонов. Языковые модели требуют больших вычислительных ресурсов. Для стандартных случаев (ГОСТы, типовые размеры) шаблонные методы работают быстрее и дешевле. Гибридный подход в SOFROS AI/ML подбирает инструмент автоматически, но если вы строите своё решение с нуля, учтите это.
Отправка персональных данных в облачную модель. Если среди атрибутов номенклатуры встречаются ФИО поставщиков или контактные данные, облачная обработка без PII-маскировки нарушает ФЗ-152 (Федеральный закон о персональных данных). Используйте локальное развёртывание или включайте маскировку до отправки.
Игнорирование Swagger-документации. Новички часто пытаются угадать формат запроса. Swagger показывает точную структуру, допустимые значения полей и примеры ответов. Пять минут чтения документации экономят час отладки.
Ожидание 100% автоматизации. Сервис автоматизирует нормализацию, но финальное утверждение карточки остаётся за экспертом. Это осознанный выбор архитектуры: полностью автоматическая запись без контроля приводит к накоплению ошибок, которые потом дороже исправлять.
Что это меняет для вас?
Авторам Дзена и копирайтерам. Если вы пишете для корпоративных клиентов, понимание REST API нейросети и гибридной архитектуры делает вас ценнее: вы можете создавать техническую документацию, описания продуктов и обучающие материалы для таких сервисов. Это растущий рынок.
Маркетологам. Чистые данные о номенклатуре напрямую влияют на аналитику закупок и планирование. Когда в базе три дубля одной позиции, отчёт по расходам врёт. Интеграция через API решает проблему у корня, не в Excel-таблице задним числом.
Предпринимателям в РФ и СНГ. Сервис SOFROS AI/ML работает с 1С:MDM и SAP, поддерживает локальное развёртывание LLM внутри периметра и PII-маскировку для соответствия ФЗ-152. Это закрывает главную тревогу: данные не уходят за границу. Для тех, кто использует другие MDM-системы, REST API позволяет подключиться к любой платформе, поддерживающей HTTP-запросы.
Гибридный подход, где шаблоны, классическое ML и LLM работают вместе, на мой взгляд, единственный разумный путь для задач нормализации данных в реальных компаниях. Чистые LLM-решения обходятся дорого на больших объёмах, а чистые алгоритмы сравнения строк, как показывают данные SOFROS, покрывают лишь 30-40% случаев.
Честная оговорка: я не тестировал сервис лично и не могу подтвердить заявленные 70-80% сокращения ручного труда на своём опыте. Эти цифры приводит сам разработчик. Но сама архитектура с REST API, Swagger-документацией и возможностью локального развёртывания выглядит зрело. Если вы работаете с 1С и мучаетесь с дублями в справочниках, стоит запросить тестовый доступ и проверить на своих данных.
Научитесь использовать нейросети для своих задач
На dzen.guru мы разбираем практические сценарии работы с ИИ, от генерации контента до интеграции с рабочими системами. Подпишитесь, чтобы не пропустить следующие инструкции.
Перейти на dzen.guruДля компаний, которые годами живут с хаосом в номенклатурных справочниках, подключение через REST API нейросети к существующей учётной системе может оказаться тем шагом, который превращает «вечный проект по наведению порядка в данных» в задачу на один квартал.

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».
Читайте также

Один разработчик собрал RTS на Марсе 1:1: rust game development с ИИ-агентами вместо команды
Игра «Робосома» существует: один разработчик собрал RTS на Марсе в масштабе 1:1, используя ИИ-агентов вместо команды программистов, и довёл проект до рабочей…

Авторство кода нейросети: как понять, где ваше решение, а где чужое
Авторство кода нейросети перестало быть абстрактным вопросом для философов: разработчики, копирайтеры и все, кто делегирует создание текстов или программ…

Искусственный интеллект на производстве: план за 3 минуты вместо часов в Excel
Производственное планирование перестаёт зависеть от интуиции диспетчера и аврального пересчёта в Excel: искусственный интеллект на производстве уже берёт на…
Комментарии