STRATA — исследование денежных потоков

Объяснимый аналитический инструмент для AML-аналитика банка. STRATA восстанавливает структуру финансовой сети по обезличенным транзакциям, присваивает каждому узлу роль и формирует приоритетную очередь для углублённой проверки.

Главный вопрос продукта: кого проверить первым и почему?

Роли и приоритеты являются гипотезами для проверки. Они не доказывают причастность клиента к незаконной деятельности.

Что реализовано

• загрузка трёх parquet через UI и настоящий серверный запуск существующего Python-пайплайна;
• предзагруженный комплект организаторов как второй вход того же расчёта, без mock/fallback;
• воспроизводимый локальный пайплайн от трёх parquet-файлов до результатов;
• проверка консистентности агрегированных рёбер и отдельных транзакций;
• структурные метрики: степени, обороты, PageRank, betweenness и достижимость из seed;
• временные признаки прохождения средств в течение одного-двух дней;
• шесть объяснимых ролей и role_score для всех 2 248 узлов;
• детерминированная кластеризация Louvain, включая изолированные seed;
• отдельный priority_score и топ-50 узлов с числовым обоснованием;
• защита от ложных terminal-ролей на границе четвёртого колена;
• интерактивный интерфейс: точный поиск 18-значного GID, карточка узла и направленный ego-граф;
• обзор всех кластеров: размер, seed, внутренний оборот, гипотеза и переход к участникам;
• фильтры по роли и кластеру для топ-50 и всей сети;
• обзор направленных межкластерных потоков с постраничной навигацией и seed;
• один кратчайший направленный путь от исходных клиентов к выбранному GID;
• выбранный аналитиком список проверки: один клик, массовый выбор первых десяти, отмена, экспорт CSV;
• временные сигналы, объяснимые аномалии, встречные потоки и оценка устойчивости сети;
• повторяющиеся цепочки A→B→C и циклы длиной 3–4 с проверкой календарных дат;
• AI-ассистент: естественный язык → ограниченный запрос → проверяемые факты и ссылки на GID;
• скачивание трёх обязательных CSV текущего расчёта непосредственно из UI;
• явные состояния загрузки, ошибки и пустого результата без подмены демоданными;
• автоматический валидатор обязательных схем и ограничений.

Как работает решение

1. Исходные GID правоохранительных органов уже отмечены как is_seed в nodes.parquet. У комплекта организаторов их 81; интерфейс не хранит эту константу, а считает seed из результата, сохранившего признак входных данных.
2. Аналитик нажимает «Начать исследование» для реального комплекта из data/. Для другого комплекта выбирает «Своя выгрузка» и перетаскивает вместе nodes.parquet, edges.parquet, transactions.parquet. Недостающие файлы можно добавить отдельно; запуск доступен после выбора полного комплекта.
3. POST /api/analysis копирует входные данные в отдельную временную папку, вызывает pipeline/main.py и ждёт его завершения. Алгоритмы ролей и score не переписаны. Пайплайн создаёт три CSV, graph.json и run_log.json внутри этой папки; сервер возвращает граф и паспорт расчёта в UI. Общие data/, out/ и public/data/ при запуске через UI не меняются.
4. Аналитик изучает направленные потоки между кластерами, открывает кластер и участника либо использует точный поиск GID по всей сети.
5. В топе видны приоритет, evidence/why, входящие и исходящие суммы. Аналитик добавляет нужные GID в «Мой список проверки» из топа или карточки узла.
6. Список можно редактировать и выгрузить кнопкой «Экспортировать список в CSV». Экспортируются только выбранные записи, исходные оценки, обоснования, ограничения наблюдения, период и идентификатор расчёта.

Во время запроса UI честно ожидает Python: нет процентов готовности, таймерной имитации этапов или подмены результата mock-данными. Экран показывает ожидание, затем результат; журнал этапов доступен в ответе API и CLI-экспорте run_log.json. Ошибки содержат причину и действие для исправления, выбранные файлы сохраняются для повторной попытки. Неуспешный новый запуск не уничтожает предыдущий результат.

Рабочий экран объединяет очередь и полноширинную схему потоков; справка открывается кнопкой «Справка» в боковой панели. Подробности временных сигналов, полноты и кластера раскрываются по запросу. Клик по узлу синхронно меняет граф и карточку; стрелка назад возвращает предыдущий узел. Поиск работает по всей сети независимо от фильтров. Очередь переключается между топ-50 и всеми узлами (по 100 строк), не пересчитывая исходные score.

В «Денежных потоках» входы расположены слева, выбранный клиент в центре, выходы справа. Контрагенты отсортированы по сумме и показаны по четыре на каждой стороне; остальные доступны стрелками страниц. На карточке видны полный GID, роль, сумма, число операций и доля в соответствующей стороне потока. Толщина линии связана с суммой; стрелки направлены слева направо. Цвет полосы — роль, метка seed — исходный клиент. Клик по карточке делает контрагента новым центром исследования. Самопереводы вынесены отдельно, но учтены в общих суммах выбранного клиента. Анимация показывает только направление, не онлайн-транзакции; её можно остановить, также учитывается prefers-reduced-motion.

«Путь от источника» строится BFS по направленным рёбрам: это один кратчайший наблюдаемый путь, не доказательство движения одних и тех же средств. «Между кластерами» использует такую же схему: входящие кластеры → выбранный → исходящие. Все кластеры доступны через селектор, связи — страницами по четыре. Клик по соседнему кластеру переносит фокус, «Открыть клиентов» переводит к его участникам и ведущему по приоритету узлу.

Список проверки хранится только в текущей вкладке и не переживает перезагрузку. Перед новым успешным расчётом непустой список требует явного согласия на сброс; его можно предварительно экспортировать. CSV — UTF-8 с BOM, запятые, кавычки по RFC 4180. GID записываются строками без Number(). При импорте в Excel задайте столбцу gid тип Текст: сам CSV не содержит типов и не запрещает Excel автоматически округлить длинное число.

Технологии

• Python 3.11–3.13, pandas, PyArrow, NumPy, SciPy, NetworkX;
• uv и зафиксированные зависимости в uv.lock;
• Next.js 16, React 19, TypeScript, Tailwind CSS 4, shadcn/ui;
• ORION HUD: тема, фон-шейдер, motion-хелперы и референсная галерея.

Опциональный AI-ассистент использует установленный OpenAI SDK и Responses API со строгой JSON-схемой. Модель выбирается только через OPENAI_MODEL; обязательный пайплайн, граф, роли, сигналы и экспорт работают без ключа и внешних сервисов.

Архитектура проекта

flowchart LR
    A[3 parquet-файла в UI] --> API[POST /api/analysis]
    API --> B[Существующий Python-пайплайн]
    B --> C[Проверка данных]
    C --> D[Графовые и временные признаки]
    D --> E[Роли и priority score]
    D --> F[Louvain-кластеры]
    E --> G[3 обязательных CSV]
    F --> G
    E --> H[graph.json]
    F --> H
    H --> I[Next.js / ORION HUD]
    I --> J[Потоки / кластеры / GID]
    J --> K[Выбор аналитика]
    K --> L[CSV списка проверки]

• pipeline/src/money_graph/ — расчёты, правила, экспорт и валидация;
• data/ — обезличенные данные организаторов;
• out/ — пересчитываемые CSV, не коммитятся;
• public/data/graph.json и run_log.json — постоянный экспорт CLI и его журнал (UI получает новый результат через API);
• components/agent/ — интерактивный сценарий аналитика;
• app/api/analysis/route.ts, lib/server/run-analysis.ts — загрузка, изолированный запуск и ошибки;
• lib/server/analysis-store.ts — ограниченный кэш результатов и трёх CSV;
• app/api/analysis/[id]/[file]/route.ts — скачивание CSV именно текущего запуска;
• app/api/assistant/route.ts — разбор вопроса через OpenAI, проверка плана и локальное выполнение;
• lib/review-list.ts — выбранные GID и безопасный CSV-экспорт;
• lib/graph-investigation.ts — направленные пути, встречные потоки, устойчивость и полнота;
• pipeline/src/money_graph/diagnostics.py — описательные сигналы по реальным транзакциям;
• pipeline/src/money_graph/routes.py — повторяющиеся цепочки и ограниченный поиск циклов;
• lib/graph-types.ts — контракт между результатами пайплайна и интерфейсом.

Правила ролей

Роль выбирается только среди формально допустимых кандидатов. Если подходит несколько ролей, выбирается роль с наибольшим специализированным score.

Роль	Формальное условие-кандидат	Основные сигналы уверенности
consolidator	не seed, не depth=4; ≥3 отправителей; удержание ≥35% либо входящих контрагентов больше исходящих	число и сумма входов, удержание, число достижимых seed
transit	не seed, есть вход и выход; отношение out_kzt / in_kzt от 0,7 до 1,3	близость коэффициента к 1, быстрый выход ≤2 дней, betweenness
distributor	≥10 получателей; получателей минимум в 1,5 раза больше отправителей	веерность, исходящая сумма и число переводов
terminal	не seed, depth<4, есть вход; выхода нет либо ушло ≤15% входящего	удержание, входящая сумма и число отправителей
coordinator	≥2 входящих и ≥2 исходящих контрагента; процентильный ранг betweenness ≥0,85 либо достижимость из ≥7 seed	betweenness, PageRank, seed reach и двусторонняя связность
peripheral	ни одно из условий выше не выполнено	отсутствие сильного сигнала; отдельно объясняется изоляция или обрыв depth=4

У seed не используются роли, основанные на полном входящем балансе: граф собран от них по исходящим переводам, поэтому их in_kzt системно занижен.

Приоритет

priority_score не равен уверенности в роли. Он отвечает на вопрос очерёдности проверки и строится как нормированная комбинация:

• 30% — сигнал координатора;
• 20% — сигнал консолидации;
• 16% — сигнал распределения;
• 12% — сигнал транзита;
• 10% — PageRank;
• 8% — betweenness;
• 4% — достижимость из seed;
• небольшой бонус ранее неизвестным, не-seed узлам.

Для изолированных и обрезанных четвёртым коленом узлов применяется понижающий коэффициент.

Дополнительная аналитика

Сигналы ниже не меняют роли и приоритеты и не являются доказательством нарушения.

Опция кейса	Реализация и границы
Обрыв на четвёртом колене	depth=4 исключён из terminal; карточка объясняет необходимость следующего колена
Временные паттерны	Быстрый выход ≤2 дней; ≥3 уникальных плательщиков за календарный день; всплеск ≥5 операций и ≥3 средних дневных значений
Повторяющиеся маршруты и возвраты	Повторные рёбра, пары A↔B, A→B→C в ≥2 разных дня начала; структурные циклы длиной 3–4 с отдельным числом совпадений по датам
Аномалии	Оборот выше Q3 + 1,5 IQR среди своего колена (≥4 узлов); ≥3 исходящих переводов от 5 000 до <10 000 ₸ за день — только повод проверить дробление
Устойчивость	Удаление топ-1/3/5/10: слабые компоненты, крупнейшая компонента, доля потерявших связность пар среди оставшихся узлов
AI-ассистент	Справка, входы/выходы, общие прямые получатели, путь от seed, приоритеты, маршруты и полнота; факты рассчитываются локально, ссылки открывают GID
Карточка узла	Автоматическая справка по правилам: роль, evidence, потоки, связи, сигналы и ограничения; без LLM
Полнота	Запрос следующего колена, полной выписки seed, операций вне банка/порога/периода в зависимости от узла

Дневная активность — сумма входящих и исходящих операций, собственный перевод учитывается один раз и не считается отдельным плательщиком в синхронных входах. Среднее рассчитано по всем календарным дням между первой и последней транзакцией выборки, включая дни без операций. Синхронность означает совпадение даты, не времени внутри суток и не координацию участников. Диапазон 5–10 тыс. ₸ — исследовательское правило относительно нижнего порога выгрузки, а не законодательный порог. Без клиентских профилей и контрольной выборки качество детекции нарушений не измерено.

Устойчивость — структурный сценарий на слабой связности. Для корректного сравнения до и после используются одни и те же оставшиеся узлы, чтобы само удаление вершин не считалось фрагментацией. Это не прогноз поведения людей или перераспределения денег после блокировки.

Маршруты: между каждой парой соседних переводов допускается 0–2 календарных дня. Внутри каждого маршрута жадное сопоставление не использует одну операцию дважды; между разными маршрутами операции могут повторяться. Это не сопоставление сумм и не доказательство движения одних и тех же средств; порядок внутри дня неизвестен. Циклы проверяются со всех возможных стартовых вершин, выбирается вариант с максимальным числом совпадений. Цикл с нулём совпадений — только структурный. На приложенном комплекте найдены 139 цепочек и 210 циклов; сохраняются первые 50 каждого типа и до трёх примеров дат. Бюджет: 200 000 кандидатов цепочек и 200 000 шагов поиска циклов, максимум 2 000 обнаруженных циклов. Достижение лимита явно отмечается; полнота при лимите не гарантируется. Эти сигналы не меняют основной топ.

Как устроен AI-ассистент

1. Пользователь нажимает «Спросить по графу». Отдельной галочки нет; рядом с отправкой постоянно видно уведомление об OpenAI. Нельзя вводить персональные или конфиденциальные сведения; публичное демо предназначено только для обезличенного кейса.
2. Сервер проверяет расчёт и GID. Реальные идентификаторы заменяются временными N1, N2 и т. п.; передаются вопрос, псевдоним открытого клиента и первые десять клиентов из списка проверки. Граф, суммы и parquet модели не передаются. Произвольный текст вопроса не является автоматически обезличенным.
3. Responses API возвращает только намерение и допустимые псевдонимы по строгой JSON-схеме (store: false). LLM не пишет финансовую справку свободным текстом.
4. Сервер проверяет план и выполняет ограниченный запрос по сохранённому графу. Суммы, роли, обоснования и GID берутся только из этого расчёта. Нажатие ссылки в ответе открывает клиента на схеме. Предыдущие реплики модели не передаются.

Не поддерживаются произвольный SQL, произвольные числовые фильтры, обогащение, установление личности/виновности и изменение результатов. Возможна ошибка классификации намерения — заголовок ответа показывает выполненный запрос. У общих получателей проверяется пересечение прямых исходящих связей всех указанных клиентов, а не объединение. Ответ ограничен первыми десятью; маршруты — пятью цепочками и пятью циклами из сохранённых результатов. Запросы независимы. Нет mock fallback: ошибки ключа, квоты, модели и разбора показываются явно.

Установка и запуск

Требования: Node.js 22.6+ (включая тесты), npm и uv. Нужен Node-сервер с Python 3.11–3.13; статический хостинг не подходит.

Одна команда из корня клонированного репозитория:

npm run demo

Команда устанавливает зафиксированные JS/Python-зависимости, пересчитывает обязательные CSV в out/ и запускает интерфейс. Для первой установки нужна сеть. После установки весь обязательный сценарий работает без OpenAI и без облака. Node.js, npm и uv должны быть установлены заранее.

Те же шаги по отдельности, без предварительного CLI-пересчёта:

npm ci
uv sync --project pipeline --locked
npm run dev

Интерфейс откроется на http://localhost:3000.

Дальше весь сценарий, включая реальный расчёт, выполняется в браузере. Сервер использует pipeline/.venv/bin/python (на Windows — Scripts/python.exe). При нестандартном окружении задайте абсолютный путь ORION_PYTHON в .env.local. До первого показа подготовьте окружение через uv sync: HTTP-запросы не устанавливают зависимости и не требуют внешней сети.

Production-проверка локально: npm run build && npm run start.

Для опционального AI-чата заполните локальный .env.local по .env.example:

OPENAI_API_KEY=ваш_ключ_только_локально
OPENAI_MODEL=доступная_вашему_API_проекту_модель

Перезапустите сервер после изменения окружения. Нужна модель с Responses API и Structured Outputs; имя выбранной модели показывается в чате. Ключ остаётся на сервере, .env.local исключён из Git. Использование API оплачивается отдельно; это не условие работы обязательной аналитики. Проверенный в локальном smoke-тесте вариант — gpt-6-sol, не жёстко заданный default. Запрос ограничен 1 200 символами, 45 секундами ожидания и 1 600 выходными токенами; автоматических повторов нет.

Дополнительный CLI-путь npm run analyze использует uv.lock и создаёт постоянные:

• out/nodes_roles.csv;
• out/clusters.csv;
• out/top_nodes.csv;
• out/graph.json (внутренний экспорт);
• public/data/graph.json и public/data/run_log.json.

Python-часть не требует ручного создания virtualenv и не использует внешние API.

Ограничения серверного запуска

• до 25 МиБ на каждый входной файл; принимаются только три заданных имени;
• проверяются размер, сигнатура parquet и схемы/согласованность существующим пайплайном;
• один расчёт на процесс сервера, второй получает понятную ошибку 409;
• жёсткий лимит процесса — пять минут; при разрыве запроса процесс прерывается;
• исходники и результаты запроса удаляются из его временной папки после обработки;
• граф и три CSV остаются в памяти процесса до часа: максимум четыре запуска и 32 МиБ суммарно; старые вытесняются. Перезапуск сервера очищает кэш. Для AI и скачивания истёкшего расчёта потребуется повторный анализ; случайный run_id служит локальным указателем доступа, не заменяя авторизацию;
• один AI-запрос одновременно на процесс; модель вызывается только по отправке вопроса пользователем и после проверки контекста; дополнительно максимум 30 попыток в скользящий час и 200 в сутки на процесс, включая неуспешные вызовы модели. Перезапуск сбрасывает счётчик; это не гарантированный денежный лимит;
• вызов Python без shell, фиксированные аргументы; пути из имён загрузок не исполняются;
• запуск с чужого Origin запрещён; это не замена авторизации;
• dev и start слушают только 127.0.0.1. Docker запускает standalone-сервер на 0.0.0.0:$PORT, включает общую Basic-аутентификацию демо (только через HTTPS) и отказывается стартовать без логина и пароля минимум из 16 символов. Это общий доступ команды/жюри, не персональные учётные записи и не банковская система разграничения доступа. /api/health открыт и не раскрывает данные/секреты.

Как проверить решение

npm run analyze
npm run test:pipeline
npm run test:ui
npm run lint
npm run build

npm run test:ui проверяет JSON-контракт, строковые GID, индексы, фильтры, неизменность рангов/score, ограничения файлов, выбор кандидатов, CSV и суммы направленных межкластерных потоков, BFS, встречные пары и корректную базу сравнения устойчивости без дополнительных библиотек. Python-тесты проверяют дневные сигналы, самопереводы, изолированные узлы, обязательные экспорты, порядок дат маршрутов, повторения, ротации циклов и лимиты поиска. Тесты UI-логики также проверяют план AI, ссылки/суммы, пересечение получателей, TTL кэша и JSON-лимит.

С запущенным локальным сервером отдельно выполните npm run test:api. Тест действительно запускает Python на предзагруженном и загруженном комплекте, сравнивает результаты, проверяет ошибки, блокировку параллельного расчёта и неизменность исходных parquet/общего JSON, точное совпадение трёх скачанных CSV с CLI, отклонение неверных/несогласованных AI-запросов. Этот тест не тратит API-кредиты. Для другого порта задайте ORION_TEST_URL.

Ожидаемый результат на приложенном датасете:

• 2 248 строк в nodes_roles.csv;
• 81 seed из nodes.parquet;
• 91 кластер, из них 8 содержат более одного seed;
• 50 строк в top_nodes.csv;
• все роли, evidence и score заполнены;
• полный пересчёт занимает меньше пяти минут (на тестовой машине — около двух секунд после установки зависимостей).

Повторяемый маршрут жюри в браузере

1. Нажмите «Начать исследование» или выберите «Своя выгрузка» и три файла из data/.
2. Дождитесь завершения реального запроса. Сверьте seed, период и паспорт расчёта.
3. В «Денежных потоках» прочитайте входы и выходы, перелистайте контрагентов, откройте соседа и вернитесь назад. Включите «Путь от источника». В «Между кластерами» выберите кластер и нажмите «Открыть клиентов».
4. Скопируйте любой полный GID из результата в точный поиск. Проверьте также неполный/отсутствующий GID: это ошибка поиска, а не случайный похожий узел.
5. В топе примените фильтры роли/кластера, изучите суммы и evidence. Добавьте кандидата, затем ещё одного из карточки. Удалите один из «Моего списка».
6. Скачайте CSV. В нём должна остаться только выбранная запись, полный GID, точные score/суммы, evidence и run_id из паспорта расчёта.
7. Запустите новый предзагруженный кейс (подтвердив сброс списка). Это новый запуск Python на тех же данных, а не сохранённый или вымышленный результат.
8. Для ошибки выберите неправильный файл/схему. UI должен показать причину и возможность исправить файлы, без mock fallback.
9. Откройте «Сигналы и сценарии», сравните удаление топ-1 и топ-10. Нажмите GID в находке: вернутся исследование и карточка именно этого клиента.
10. В «Маршрутах во времени» раскройте пример дат цепочки и сравните со списком транзакций.
11. Скачайте nodes_roles.csv, clusters.csv, top_nodes.csv в меню «Файлы расчёта».
12. Если настроен OpenAI, откройте AI-ассистента кнопкой справа внизу и спросите «Составь справку по выбранному клиенту». Сверьте суммы со схемой и нажмите GID в ответе: откроется тот же клиент. Основной сценарий не зависит от AI.

Кнопка AI с анимированным HUD-аватаром mech видна на стартовом экране и во всех разделах. Панель открывается поверх рабочего экрана, не блокируя граф; её можно свернуть или закрыть Escape. История сохраняется при закрытии и смене вкладок внутри одного расчёта. До расчёта ассистент объясняет начало работы, но запросы модели недоступны. Аватар становится активным только во время настоящего запроса; анимация учитывает prefers-reduced-motion.

Данные и интеграции

Используется только обезличенный датасет организаторов HackAlem AI за июль 2026: 2 248 обезличенных GID, 3 119 рёбер и 4 840 транзакций. Внешнее обогащение и персональные данные не используются.

GID имеют тип int64 и превышают безопасный диапазон JavaScript. Поэтому в graph.json и TypeScript они представлены строками без потери цифр.

Ограничения

• видны только внутрибанковские исходящие переводы;
• граф обрывается после четвёртого колена;
• операции меньше 5 000 KZT отсутствуют;
• нет клиентских атрибутов и размеченных истинных ролей;
• role score отражает силу структурной гипотезы, а не вероятность нарушения;
• Louvain выполняется на взвешенной неориентированной проекции, а роли — на исходном направленном графе;
• AI использует конечный набор намерений, может неверно понять вопрос, требует внешнего API и отдельной квоты; финансовые факты не генерируются моделью;
• маршруты и циклы ограничены длиной/бюджетом поиска; остатки и тождество средств не устанавливаются;
• каждый запуск из UI вызывает Python через сервер приложения; подготовленное окружение обязательно, а список выбранных клиентов не хранится на сервере;
• обработка графов порядка миллиона узлов не проверялась: текущий пайплайн использует NetworkX и загружает данные в память.

Как масштабировать до миллиона узлов — проектное предложение

Этот раздел описывает будущую архитектуру, а не реализованные возможности. Нужны партиционированный parquet и пакетная агрегация, компактный CSR-граф вместо Python-объектов, приближённый betweenness и ограниченные BFS. Дневные признаки следует агрегировать по узлу/дню один раз, квантили — один раз на колено. Расчёты нужно вынести из HTTP-процесса в очередь фоновых задач с лимитами памяти и журналом версий. Браузер должен получать только кластеры, страницы очереди и локальные подграфы, а не весь JSON. Перед заявлением о поддержке такого объёма обязательны нагрузочные замеры времени, RAM и качества приближений; в текущем репозитории таких замеров нет.

Визуальная дизайн-система ORION HUD была подготовлена командой до хакатона. Продуктовый сценарий, аналитический пайплайн, правила ролей, приоритизация и интеграция с данными созданы в рамках хакатона.

Развёрнутая версия

Подтверждённой публичной ссылки пока нет. Подготовлены Dockerfile и render.yaml для бесплатного Render Web Service, а не Static Site. Сам факт наличия конфигурации не означает успешный деплой.

Подробная инструкция: бесплатный хостинг и секреты. Хостинг независим от ноутбука команды. На Free-тарифе возможны холодный старт и потеря кэша расчётов при засыпании, поэтому после пробуждения нужен новый анализ.

Как жюри проверяет AI

• На сайте: команда задаёт OPENAI_API_KEY и OPENAI_MODEL в секретах хостинга. Жюри получает HTTPS-ссылку и отдельные логин/пароль демо, выполняет анализ и задаёт вопрос. API оплачивает команда из своей квоты; ключ жюри не виден.
• Из репозитория: жюри может указать собственный ключ и доступную модель в .env.local. Чужой ключ не нужен для графа, ролей, CSV и автоматических тестов.
• Без доступной квоты OpenAI настоящий AI-ответ невозможен. Приложение показывает ошибку и не подменяет ответ mock-данными. Платный API не нужен для обязательной части.

Комплект сдачи и защита

• Схема решения, один редактируемый слайд.
• Просмотр схемы без PowerPoint.
• Пятиминутный сценарий с тремя реальными узлами.
• Три обязательных CSV создаются в out/ командой npm run analyze или npm run demo; после расчёта в браузере те же файлы доступны в «Файлах расчёта». Передайте CSV как отдельные артефакты при сдаче, если форма платформы позволяет.