Примеры работ и кейсы по направлению «Машинное обучение»

Построил GraphRAG-систему для ответов на вопросы по структурированным данным: распарсил данные в графовую БД Neo4j (2M+ узлов, 41M+связей), создал веб-интерфейс для запросов на естественном языке — LLM генерирует Cypher-запрос и возвращает ответ с опорой на граф знаний. Стек: FastAPI, JavaScript, Docker, LLM. github.com/Golden-dreamer/animeGraphRAG Парсер работает в автоматическом режиме, регулярно пополняя базу новыми данными

Разработал и продолжаю развивать IH-анализ — подход для решения задач классификации, предсказания, управления, оптимизации на основе выявления закономерностей в исторических данных и получения прозрачного, легко интерпретируемого результата. Разработаны методы и алгоритмы решения следующих задач: - Оценка степени взаимосвязи между разнотипными признаками и их комбинациями X → Y. Мы оцениваем степень отклонения от функциональной связи без априорного задания вида функции, одновременно для чисел и категорий — без one-hot encoding. Вычисляем как для отдельного признака X -> Y, так и для комбинаций (X₁, X₂, …, Xₖ) -> Y. По сути мы оцениваем степень детерминированности, упорядоченности структуры связи: «Если происходит событие А (причина), то происходит и событие В (следствие), и при этом если нет события А, то нет и события В» (A ⇒ B & ¬A ⇒ ¬B) - Выявление наиболее существенных признаков (причин) - Построение решающих правил (rule-based classification). От измерения связи — к системе правил «ЕСЛИ-ТО» — без чёрных ящиков. Результаты: — Теоретические основы опубликованы в научном журнале (https://www.ip-journal.ru/gallery/2023-T-267-3-1v27.pdf) — Практическое применение — статья на Хабре (https://habr.com/ru/articles/1040980/) с Colab-ноутбуками — Открытый код на C++/Python (http://github.com/alexander-goldin три библиотеки: ih-lib, ih-prep, ih-coverage) Стек: C++, Python, Pandas, NumPy, теория информации, нечёткие множества

- О клиенте: Крупное предприятие в сегменте AgroTech. - Бизнес-проблема: Круглосуточный мониторинг производственных линий велся людьми через камеры. Из-за усталости операторы пропускали критические инциденты, что вело к прямым финансовым потерям компании. - Техническое решение: - Собрал и разметил кастомный датасет под специфику процессов заказчика. - Провел Fine-Tuning модели YOLOv8 для высокоточной детекции событий в условиях сложного производственного освещения. - Написал оптимизированный пайплайн для GPU-инференса (CUDA) и обработки видеопотока через OpenCV. - Обернул логику в FastAPI-микросервис (развернут on-premise через Docker для безопасности) и настроил систему мгновенных алертов. - Результат: Человеческий фактор полностью исключен из процесса первичного мониторинга. Система реагирует на инциденты за доли секунды, что позволило радикально снизить операционные убытки предприятия. - Стек: Python, YOLOv8, OpenCV, CUDA (GPU Inference), FastAPI, Docker.

- О клиенте: Крупная производственная B2B-компания (штат отдела продаж - более 130 менеджеров). - Бизнес-проблема: Менеджеры теряли сделки из-за долгого поиска информации по сложной номенклатуре. Ручной контроль звонков охватывал лишь малую часть разговоров, из-за чего руководители не видели реальных причин отказов клиентов. - Техническое решение: 1. Разработка RAG-системы: Построил архитектуру на базе LangChain и векторной СУБД Qdrant. Бот мгновенно находит нужные прайсы и ГОСТы, выдавая менеджеру точный ответ прямо во время звонка. 2. Пайплайн речевой аналитики: Настроил микросервис на FastAPI для потоковой расшифровки аудио через WhisperX. Написал промпты и внедрил LLM для автоматического скоринга: система сама оценивает следование скрипту, распознает отработку возражений и формирует саммари диалога. - Результат: 100% звонков теперь анализируются автоматически без участия человека (РОПы получают готовые отчеты). Время ответа клиенту сократилось в несколько раз благодаря AI-помощнику. - Стек: Python, LangChain, Qdrant, OpenAI API / LLM, WhisperX, FastAPI, Docker.

SwiftTask - Это OpenSource таск менеджер с AI фичами, которые оптимизируют время проверки кода на соответствие стандартам компании, а так же позволяет легко раздавать задачи и планировать проект с помощью встроенного AI агента.

Forecasto - это b2b saas для автоматизации заказа в продуктовый ритейл на основе ИИ, цель которого повышение OSA и снижение списаний

Телеграм бот с MiniApp, которое позволяет искать знакомства в телеграмме с ИИ рекомендациями, которые подстраиваются под предпочтения пользователя.

Клиент: агропромышленное предприятие (AgroTech-сегмент). Ручной мониторинг — круглосуточно, человеческий фактор, пропущенные события = прямые операционные потери. Задача: Автоматически детектировать критические события в реальном времени по видеопотоку с камер — без участия оператора. Решение: CV-система на базе YOLOv8 с дообучением на отраслевых данных. Детекция событий в реальном времени → мгновенное оповещение ответственных сотрудников. Что сделано: — Сбор и разметка датасета под конкретные классы событий — Дообучение YOLOv8 на отраслевых данных — GPU-инференс на оборудовании заказчика (on-prem) — Система оповещений при детекции целевого события — Дашборд мониторинга в реальном времени Результат: снижение операционных потерь за счёт раннего обнаружения событий. Детали — по запросу (NDA). Стек: Python · YOLOv8 · OpenCV · Docker · GPU (CUDA) · FastAPI

Клиент: крупный производитель промышленного оборудования (дерево- и металлообработка). Отдел продаж — 130+ менеджеров, высокий объём входящих и исходящих звонков, ручной контроль качества разговоров. Задачи: — Ускорить доступ менеджеров к внутренней базе знаний (прайсы, характеристики, регламенты, скрипты) — Автоматизировать контроль качества звонков без прослушивания вручную — Выявлять причины отказов и слабые места в скриптах Решение: 1. RAG-ассистент на базе знаний компании Менеджер задаёт вопрос в чат — система находит ответ в документах за секунды. Не нужно листать документацию, звонить в бэк-офис, ждать. Стек: LangChain, Qdrant (векторная БД), Python. 2. Автоматическая аналитика звонков Расшифровка через WhisperX → структурированный анализ через LLM: скоринг разговора, выявление возражений, причины отказов, соответствие скрипту. Руководитель видит сводку по каждому звонку без прослушивания. Стек: Python · LangChain · Qdrant · WhisperX · LLM · FastAPI · Docker

Для бизнеса по продаже и поставкам цветов разработал систему по автоматической оброботке отчётов. ЧТО СДЕЛАЛ - Разработал и настроил пайплайн для автоматической обработки отчётов с Gmail, включая оцифровку с Tesseract OCR и сохранение в Google Drive. - Переработал OCR -систему, что увеличило производительность с 1 страницы до обработки документов произвольного объема