Портфолио и кейсы фрилансеров по разработке встраиваемых систем

Эквайринговый терминал для сферы вендинга. Предназначен для считывания банковских карт или мобильных телефонов. После обработки данных карты запрос на проведение транзакции отправляется в зашифрованном виде в процессинговый центр, где и принимается решение о проведении операции по карте. Работа со считывателями карт st25, GSM-модем, LCD-экран, приём и обработка данных по протоколам. Серийное производство - в работе более 5000 устройств.

Контроллер с облачным управлением и функционалом терминала SIP 2.0 для подключения к VoIP АТС, голосовым медиашлюзам, AI-агентам с голосовым вводом. А также, контроллер содержит функционал работы с NFC метками и логику работы с HMI панелями (сенсорный UI). Для управления контроллером создан серверный комплекс с mqtt-шиной, асинхронными очередями RabbitMQ. Для пользователей и интеграции создано внешнее АПИ и фронтенд для телеметрии и управления.

Цель: создание двойника действующего проекта Масштаб и результат: CUBA/PyTorch и оркестрацией Docker Compose Инференс через vLLM/TGI со стримингом SSE/WebSocket LoRA‑дообучение, контроль оверфита, валидация RAG на Qdrant: индексация, извлечение, re‑rank, prompt‑fusion Оптимизация латентности: KV‑кэш, квантование Веб‑интерфейс: чат, источники, режимы; GitLab CI/CD Ключевые сложности и решения: Баланс качества/скорости Регуляризация LoRA, ранняя остановка Надёжный RAG: chunking 800–1200, multi‑query, защита от галлюцинаций Короткий TTFB: прогрев, prefill‑кэш, асинхронный I/O Архитектура: LLM: Mistral‑7B‑Instruct + LoRA (PEFT), инференс vLLM/TGI, SSE/WebSocket RAG: парсинг PDF/DOCX/HTML, multilingual‑e5‑large → Qdrant, retrieval + re‑rank API: FastAPI (/chat, /ask, /sources), JWT‑авторизация Web: Next.js мини‑чат Трекинг: W&B/MLflow, артефакты MinIO; мониторинг Prometheus/Grafana Стек и технологии: PyTorch, Transformers, PEFT (LoRA/QLoRA), vLLM/TGI; FastAPI; Qdrant; Sentence‑Transformers (e5‑large); Next.js/React/TS; SSE/WebSocket Docker, GitLab CI/CD; CUDA/cuDNN, uvloop/asyncio; pydantic/orjson Качество данных и контроль: Датасет 2000 пар: дедупликация, стратификация, sanity‑чеки Метрики: exact match, Rouge‑L Что получил заказчик: ИИ-руководитель проекта ВБД хранения информации Загрузка/выгрузка кастомизированных отчетов Рекомендации ИИ по оптимизации работы предприятия Доменный ассистент с ответами (≤5 с) Веб‑чат и API + репозитории в GitLab с CI/CD

Цель: интегрировать ИИ в бытовую технику: голос/текст, рецепты и распознавание содержимого холодильника. Масштаб и результат: Доработана прошивка устройства; стабильная синхронизация с приложением. Голосовой и текстовый чат в приложении с учётом телеметрии устройства. Распознавание содержимого холодильника по фото и подбор рецептов. Ключевые сложности и решения: MQTT‑связь, QoS и offline‑буфер. Модель состояний/событий, таймауты. CV: детекция/классификация (YOLOv8/EfficientDet), on‑device TFLite или серверный инференс. Архитектура: Устройство: C/C++/RTOS; MQTT; OTA; pairing. Мобильное приложение: React Native (+ Swift/Kotlin); чат и контролы; офлайн‑кеш. Backend: FastAPI; PostgreSQL, Redis, MinIO/S3; EMQX/Mosquitto. AI‑сервисы: ASR/TTS (SpeechKit/VoiceKit/SmartSpeech); LLM (GPT). Стек и технологии: C/C++/RTOS, React Native, FastAPI; PostgreSQL, Redis, MinIO/S3; EMQX/Mosquitto. Качество данных и контроль: Unit/integration‑тесты; метрики стабильности и производительности. Что получил заказчик: Контекстный ассистент и витрина рецептов; архитектура для тиражирования ещё на 8 устройств. Доработанное ПО техники. Доработанные приложения с ИИ ассистентом.

Цель: сбор и нормализация публикаций о заброшенных объектах, выдача данных с геопривязкой. Масштаб и результат: MVP: Ярославская область; далее +4 региона. CSV/JSON‑выгрузки: дата, регион, координаты/адрес, тип объекта, текст/теги, ссылки/медиа, контакты, источник. Ключевые сложности и решения: Комбинированный поиск; дедупликация/скоринг. VK API с backoff; fallback‑парсинг; кэширование. Геокодирование Яндекс/OSM; PostGIS‑валидация. Архитектура: Scheduler → Fetchers → Normalizer → Classifier/Scorer → Geocoder → Dedupe → Exporter. Хранилище: PostgreSQL/PostGIS, MinIO/S3; ClickHouse (аналитика). Мониторинг/отчётность по регионам/источникам. Стек и технологии: Python 3.11, FastAPI, aiohttp/requests; pydantic/orjson. Redis/Celery, PostgreSQL/PostGIS, ClickHouse; Docker/CI. Качество данных и контроль: JSON, ревью релевантности; отчёты по дублям и гео‑ошибкам. Что получил заказчик: Своевременная лента объектов с геопривязкой; масштабирование по регионам без потери качества.

Цель: создать платформу для тренировки счёта и ментальной арифметики. Масштаб и результат: Главная страница, личный кабинет, тренажер с параметрами, абакус/соробан, система достижений. Онлайн‑оплата (подписки/разовые тарифы), webhooks; статусы в ЛК. Ключевые сложности и решения: Canvas/WebGL‑рендер, точная модель таймингов, офлайн‑кеш настроек. Интеграция ЮKassa/Тинькофф; защита сигнатур и корректная смена тарифов. Безопасность ПДн: аутентификация, rate‑limit, логирование доступа. Архитектура: Frontend: Next.js/React/TS; Backend: FastAPI/NestJS; PostgreSQL, Redis; S3/MinIO; CDN. Админ‑панель; Docker + CI/CD; мониторинг Prometheus/Grafana, логи Loki/ELK. Стек и технологии: Next.js/React/TS, PixiJS/Canvas, Tailwind + shadcn/ui; FastAPI/NestJS; PostgreSQL, Redis; Celery/RQ; S3/MinIO. Качество данных и контроль: Версионность схем, контрактные тесты API, e2e‑сценарии. Метрики продукта: удержание, частота тренировок, воронка оплаты. Что получил заказчик: Сервис с ЛК, тренажером, абакусом/соробаном и оплатой; готов к расширению курсами/ИИ‑генерацией.

Масштаб и результат: 20–80 документов/день; смешанные рукописные/печатные фотографии документов с объекта. Достигнуто 96% корректной валидации (цель ≥80%). Маршрутизация: валидные → 1С, невалидные → авто‑замечания автору. Ключевые сложности и решения: OpenCV‑предобработка; PaddleOCR/Tesseract + модель рукописного текста; словари терминов. Детекция подписей/печати (YOLO/Detectron), layout‑анализ, обязательные поля. Генерация понятных замечаний (правила + LLM‑API). Архитектура: Приёмник web/API → очередь → обработчики → маршрутизация (1С/возврат). MinIO/S3 (изображения), PostgreSQL (статусы), интеграция с 1С (REST/OData). Мониторинг Prometheus/Grafana, Sentry/ELK. Стек и технологии: Python/FastAPI, OpenCV, PaddleOCR/Tesseract, YOLOv5/Detectron2, layout‑parser. Celery/RQ + Redis/RabbitMQ; PostgreSQL; Docker/CI. Качество данных и контроль: Контрольная выборка, 96% точности; Отчёты по причинам отказов. Что получил заказчик: «Ворота качества» для документов: быстрый учёт в 1С и экономия на ручной проверке (модель высвободила целый рабочий день у 2-х сотрудников).

Разработан комплекс для автоматизированной аренды электросамокатов, включающий встроенный контроллер, облачную платформу и интеллектуальные зарядные станции. Контроллер управляет блокировкой, датчиками и питанием, передаёт GPS/GSM-телеметрию, поддерживает автономную работу при отсутствии связи и OTA-обновления. Облачная платформа управляет пользователями и арендными сессиями, контролирует состояние самокатов и обеспечивает удалённое управление. Зарядная станция блокирует и разблокирует устройства и выполняет автоматическую фотофиксацию выдачи и возврата. Технологии: STM32, AI-Thinker, Raspberry Pi, C, Python, PHP, PostgreSQL, RTOS, REST API, GPS/GPRS.

Разработано программное обеспечение для отображения трехмерных объектов, построения секущих плоскостей, изменения текстур, записи видеороликов с полученными моделями и экспорта в форматы, совместимые с другими трехмерными редакторами. ОС: - Windows. Технологии: - C#.

Создание программного интерфейса для организации взаимодействия нескольких офисов одной службы такси. Было проведено исследование протоколов API используемого диспетчерского программного обеспечения в результате чего стало возможным реализовать веб-сервис, обрабатывающий и распределяющий заказы между офисами. Также во время разработки была внедрена интеграция с Яндекс.Такси и Такси-Мастер. ОС: - Windows Server. Технологии: - ASP.NET.