Примеры работ и кейсы по направлению «Базы данных»

Собранная база 1С для защиты выпускной работы. Отработаны все моменты - от справочников до скриптов и импорта данных

Развернул Power BI и настроил автоматическую синхронизацию данных между складской системой, CRM и базой данных. Написал SQL-запросы под дашборды для руководства. Результат: Подготовка управленческой отчётности сократилась с 2 рабочих дней до 2 часов. Срок: 2-3 недели

Разработал микросервис для классификации изображений на настоящие и сгенерированные нейросетями (Midjourney, DALL-E, Stable Diffusion). Что было сделано: • Написал удобный веб-интерфейс с помощью фреймворка Streamlit: пользователь загружает любую картинку и моментально получает вердикт (ИИ или реальное фото). • Подключил и настроил логику работы с моделями машинного обучения. • Успешно упаковал рабочее приложение и задеплоил его в облаке на платформе Hugging Face. Проект демонстрирует навык создания законченных AI-продуктов с интуитивно понятным пользовательским интерфейсом. Стек: Python, Streamlit, Hugging Face, Computer Vision, Machine Learning.

Разработал ML-модель и упаковал её в удобный Telegram-интерфейс для предсказания коммерческого успеха инди-игр в Steam. Что было сделано: • Обучил ML-модель (классификация) на данных платформы Steam. • Разработал микросервис, объединяющий логику машинного обучения и бэкенд бота. • Создал Telegram-бота, который принимает гипотезы пользователя (выбранный жанр, цену, планируемый год релиза) и моментально выдает прогноз успешности проекта. Это отличный пример того, как сложный Data Science упаковывается в простой и понятный для конечного пользователя продукт. В проекте реализован полный цикл: от обучения модели до деплоя рабочего интерфейса в мессенджере. Стек: Python, Machine Learning (scikit-learn, pandas), Telegram API (aiogram), микросервисная архитектура.

Разработал End-to-End решение для массового сбора "грязных" данных с недокументированного API Wildberries обходя блокировки. Что было сделано: • Написал скрипт для регулярного сбора данных о товарах, ценах и скидках. • Спроектировал реляционную базу данных для надежного хранения истории ценообразования и работы с JSONB. • Провел глубокий исследовательский анализ (EDA) и визуализацию собранных данных по нише спортивного питания. По итогам проекта написал профильную аналитическую статью для портала Хабр, где разобрал, как алгоритмы маркетплейса крутят ценами. Стек: Python, SQL (PostgreSQL/SQLite), работа с API, pandas, скрейпинг.

Анонимизированный пример технического аудита: API и административные списки работали нестабильно, часть запросов отвечала слишком долго, а причина тормозов была неочевидна. Что было сделано: - проверил критичные API-методы и сценарии пользователей; - разобрал SQL-запросы, индексы, пагинацию и объемы данных; - отделил быстрые исправления от архитектурных улучшений; - подготовил план работ: индексы, переписывание запросов, ограничение выборок, кэширование и метрики проверки; - описал, как безопасно внедрять изменения без хаотичных правок в продакшене. Стек и подход: Java/Spring Boot, React/TypeScript, Python/FastAPI или Django, PostgreSQL, SQL, REST API, Docker, логирование, EXPLAIN, индексы. Результат: появился понятный список причин деградации и приоритетный план ускорения. Такой аудит помогает начинать доработку чужого проекта с фактов, а не с догадок.

Задача: автоматизировать первую линию поддержки и консультаций для магазина товаров для дома в Telegram: - отвечать на вопросы клиентов по документам компании, а не «от себя»; - снизить нагрузку на менеджеров и ускорить ответы; - перевод на менеджера по качеству, когда того требует ситуация; - обеспечить стабильную работу 24/7 без постоянного участия администратора; - сохранять краткую переписку бот-клиент для "человеческого общения", чтобы не повторять контекст; - сократить расходы на использование ИИ; - возможность работы бота с информацией на сайте (просмотр); - заложить возможность масштабирования. Результат для бизнеса: - клиенты получают ответы в любое время, без ожидания менеджера; - снижается нагрузка на поддержку и продажи; - ответы основаны на актуальных материалах компании; - повторяющиеся вопросы обрабатываются без расхода токенов (кэш) и сокращают расходы на 30-55%; - система готова к доработке под новые продукты и тарифы. Сроки и стоимость реализованного проекта: Полная версия (под ключ) Срок: 7 недель Стоимость: 110 000₽ Включает: RAG, кэш, маршрутизацию, память диалога, меню, эскалацию на менеджера, админку обновления базы, тестирование, деплой, документацию, гарантию 1 год на технические сбои.

Контакты: Телеграм: @itskleverbaby Телефон: +79255926213 Email: slava.klevleev@gmail.com Крупный вуз переводил приёмную кампанию в онлайн. Через ЛК ежегодно проходит больше 30 тысяч абитуриентов: подача документов, отслеживание статуса заявлений, справки — без очередей и звонков. Кабинет существовал до меня — я подхватил разработку, когда ушёл прежний начальник отдела автоматизации, и сам возглавил отдел. Несколько лет вёл и развивал проект в продакшене, в пике в команде было до трёх человек. Предметная область тяжёлая: 117 сущностей, около 490 миграций, конкурсы, квоты, документы, запись на мероприятия. Кабинет собирает статусы заявлений из внешних систем, синхронизируется с учётной системой вуза в обе стороны, сам генерирует PDF-справки с QR-кодом и выгрузки в Excel. Для сотрудников — админка с ролями, правами и двухфакторной авторизацией, каждое действие пишется в журнал. После перехода вуза на подачу через ЕПГУ я доработал отслеживание статусов и синхронизацию данных через АИС. Отдельно сделал запись на дни открытых дверей: раньше люди толпились у стоек регистрации, а сотрудники вручную искали ФИО в таблице — теперь регистрация идёт по сканированию QR-кода, очередей нет. Таких точечных фич под задачи управления по работе с абитуриентами было много. Система отработала несколько кампаний подряд и работает дальше.

Контакты: Телеграм: @itskleverbaby Телефон: +79255926213 Email: slava.klevleev@gmail.com Работа внутри учётной системы крупного вуза («Тандем.Университет»): сотрудникам регулярно нужны данные, которых нет в штатных отчётах — нестандартные выборки, сверки, проверки качества данных. Писал сложные запросы на встроенном языке DQL: проходил по длинным цепочкам связей между сущностями — студенты, заявления, приказы, учебные планы — собирал выгрузки и массово проверял данные на ошибки. По сути это работа аналитика данных в большой корпоративной системе: быстро разобраться в чужой модели данных и достать ровно то, что нужно. Отделы получали свои срезы за минуты, без заказа платных доработок у вендора.