В прошлый раз разбирал, чем графовые нейросети (GNN) отличаются от обычных. Теперь - зачем они нужны на практике, на двух примерах. Представьте это как карту-схему. Каждый объект - точка. Каждая связь - линия между точками. Получается сеть из точек и линий. Графовая нейросеть (GNN) смотрит на каждую точку не саму по себе, а вместе с окружением: кто соседи, кто соседи соседей. И вычисляет, на что объект похож по своему положению в сети и связям.

Пример первый - компании. Есть фирма, по документам чистая: платит налоги, сдаёт отчётность. По атрибутам самой фирмы ничего не видно. А граф показывает: она связана через двух посредников с кустом однодневок, у которых общий адрес и директор-массовик. По себе - чистая. По положению в сети - сидит ровно там, где обычно звенья схемы. Обычная проверка пропустит, граф подсветит. На этом построена система ФНС по НДС: налоговые схемы - это граф связей «компания - счёт-фактура - компания», и разрыв виден как аномалия в сети, а не в отдельной компании.

Пример второй - человек. Проверяется контрагент-физлицо, формально не связанное с компанией-заказчиком. По анкете - независимое лицо. Но граф собирает связи из открытых источников: совпадение по учредительству в других юрлицах, общие адреса регистрации, пересечения в реестрах, публичные аффилированности. И оказывается: «независимое» лицо через две-три ступени связано с бенефициаром заказчика. Для комплаенса и форензики ключевой вопрос не «кто этот человек», а «с кем он реально связан и не конфликт ли это интересов

Графовые нейросети (GNN) отвечают на вопрос «с кем это связано и что это значит?». Для комплаенса, форензики и госзакупок этот вопрос один из важнейших.