Портфолио и кейсы фрилансеров по разработке чат-ботов

Задача. У заказчика десятки тысяч фотографий чеков, на каждом напечатан номер. Нужно было прочитать эти номера машинно и получить таблицу: вручную такой объём не разбирается. Что сделал. Консольная утилита на Python. На входе папка или zip-архив с фотографиями, на выходе CSV с номерами и отчёт со статистикой — сколько номеров распознано, сколько бланков оказались пустыми. CSV открывается в Excel без плясок с кодировкой. Для каждой строки считается уверенность распознавания: можно отсортировать по ней и проверить руками только сомнительные случаи, а не весь массив. В чём была сложность. Номера напечатаны поверх цветной защитной сетки и местами почти сливаются с фоном, часть бланков перечёркнута линией, количество цифр в номере заранее неизвестно. Готовые OCR-библиотеки на таких картинках ошибаются, поэтому обработка написана под конкретный тип бланка: отделение чернил от фона, снятие линии зачёркивания, разрезание на отдельные цифры, распознавание. Результат. Замер на боевом наборе заказчика: 5813 изображений за 136 секунд на обычном офисном компьютере, распознано 99,2%. Из зависимостей только numpy и pillow — не нужны ни PyTorch, ни другие тяжёлые библиотеки, запускается одной командой и укладывается в 200 МБ памяти. Технологии: Python, numpy, pillow, многопроцессная обработка, компьютерное зрение, распознавание текста (OCR), выгрузка в CSV, автоматизация рутинной обработки данных.

Демонстрационный проект Telegram-панели для управления рабочими процессами без сложных команд. Пользователь запускает действия кнопками, добавляет задачи, проверяет очередь и получает уведомления о важных событиях. Реализовано: кнопочное меню и пошаговые сценарии; очередь фоновых задач и статусы выполнения; уведомления и подтверждение критичных действий; разграничение доступа по Telegram ID; безопасное хранение токена; обработка ошибок и восстановление после перезапуска. Технологии: Python, Telegram Bot API, JSON/SQLite, фоновые процессы, Windows/Linux.

ОПИСАНИЕ Задача проекта — разработать чат-бота с искусственным интеллектом для студии маникюра, который сможет общаться с клиентами в формате живого администратора. Бот должен консультировать по услугам и ценам, помогать подобрать подходящую процедуру, отвечать на распространённые вопросы и принимать заявки на запись. РЕШЕНИЕ Разработан Telegram-бот, который распознаёт вопросы, заданные в свободной форме, и формирует ответы на основе информации о студии. Бот рассказывает об услугах и способах оплаты, сравнивает процедуры, уточняет пожелания клиента и рассчитывает предварительную стоимость. Для оформления записи бот последовательно собирает необходимые данные: выбранную услугу, дополнительные параметры, желаемые дату и время, имя и номер телефона. Перед передачей заявки администратору он показывает итоговую информацию клиенту для проверки. Для нестандартных вопросов и ситуаций, требующих участия сотрудника, предусмотрен перевод диалога на живого менеджера. РЕЗУЛЬТАТ Создан и протестирован действующий прототип ИИ-администратора, который демонстрирует полный путь клиента: от первого вопроса и консультации до расчёта стоимости и оформления заявки на запись. Такое решение может использоваться студией для автоматизации первичного общения с клиентами и обработки типовых обращений.

Разработка AI Telegram-бота для автоматизации общения с пользователями и интеграции с внешними системами. Бот позволяет: — отвечать на вопросы пользователей с помощью AI; — получать персональные данные через внешнее REST API; — предоставлять пользователю информацию в Telegram; — открывать личный кабинет; — передавать сложные обращения оператору поддержки; — работать с командами и inline-кнопками. Основные интеграции: — Telegram Bot API; — OpenAI API; — REST API CRM; — HTTP-запросы к внешним сервисам. Стек: Python, aiogram, OpenAI API, httpx, python-dotenv. Проект демонстрирует интеграцию Telegram-бота с AI и внешними бизнес-системами для автоматизации коммуникации и обработки пользовательских запросов.

Разработка Telegram-бота для автоматизации онлайн-записи клиентов к мастеру. Клиент через бота может: — выбрать услугу; — выбрать дату и доступное время; — подтвердить запись; — просмотреть свои активные записи; — отменить или перенести запись; — получать автоматические напоминания о визите. Дополнительно реализованы: — уведомления мастеру о новых, отменённых и перенесённых записях; — напоминания за 24 и 1 час до визита; — отзывы клиентов с оценкой от 1 до 5 звёзд; — раздел с портфолио; — FAQ с информацией об услугах; — синхронизация записей и отзывов с Google Sheets. Стек: Python, aiogram, APScheduler, Google Sheets API, gspread, Google Auth. Проект построен с разделением логики бота, обработчиков, состояний, клавиатур и сервисных компонентов.

Разработка Telegram-магазина для ресторана с полным циклом оформления заказа. Что реализовано: — каталог товаров с категориями, фотографиями, ценами и пагинацией; — корзина с изменением количества товаров; — оформление заказа с пошаговым заполнением данных; — валидация контактных данных; — онлайн-оплата через ЮKassa; — история заказов и уведомления об изменении статуса; — административное управление заказами; — изменение статусов заказа через inline-кнопки; — уведомления администратора о новых оплаченных заказах; — PostgreSQL для хранения данных; — Redis для хранения состояний; — webhook для обработки событий оплаты; — Docker Compose для развёртывания проекта; — защита webhook и ограничение частоты запросов. Стек: Python, aiogram, PostgreSQL, SQLAlchemy, Redis, Alembic, YooKassa, aiohttp, Docker, Nginx. Моя задача — разработка программной части Telegram-магазина и интеграция основных компонентов системы в единый процесс от выбора товара до обработки заказа.

«Пенка» — авторский проект сайта городской кофейни. Разработал дизайн и адаптивную вёрстку. В меню можно посмотреть состав напитков и блюд, а в разделе завтраков — собрать свой вариант и узнать стоимость. На странице также есть информация о кофейне и форма выбора столика. Уделил внимание деталям: плавному появлению текста, переходам между разделами, раскрытию меню и поведению кнопок. Сайт подстраивается под телефон и компьютер. В видео — полный обзор сайта. Бронирование показано на уровне интерфейса, без подключения к системе заведения.

Задача Склад интернет-магазина товаров для дома, три человека в смену, около 4 000 артикулов. Учёт вёлся в Excel - файл на общем диске, приход и расход вносили руками в конце дня. Приёмку сверяли по бумажной накладной, галочки ставили ручкой, потом кто-то переносил это в таблицу. Где физически лежит товар, знали по памяти - новый человек искал коробку по полчаса и дёргал старшего. Попросили панель в браузере со сканированием штрихкодов, чтобы приёмка и сборка шли по факту, а не по вечерней записи. Отдельное условие - работать должно с обычного телефона, терминалы сбора данных покупать не хотели. Что сделал Фронт на React, бэк - FastAPI, база PostgreSQL, всё в Docker на VPS заказчика. Инвентаризация по зонам, пересчёт в два прохода, на выходе лист расхождений - факт, учёт и разница по каждой позиции. Списания и перемещения отдельными документами, каждое движение пишется в журнал с автором и временем. Так-же сделал печать этикеток на термопринтер - на ячейки и на товар без заводского кода. Отчёты - остатки на дату, движение по артикулу, оборачиваемость; выгрузка в Excel одной кнопкой. Результат Приёмка машины на 300 коробок стала занимать около полутора часов вместо половины дня с бумагой и переносом в таблицу. Новый кладовщик выходит в смену без наставника - открыл задание, прошёл по ячейкам, отсканировал. Бухгалтер берёт остатки выгрузкой сам, просьбы «скиньте актуальную таблицу» из чата пропали. Скрины панели и мобильного сканера приложены к работе.

Задача Отдел продаж оптовой компании прозванивал холодную и «спящую» базу руками. Три менеджера садились на телефон и по очереди набирали номера из выгрузки. Из ста номеров живым разговором заканчивалось около двадцати, остальное - автоответчики, сброс и «не звоните». База в четыре тысячи номеров прозванивалась больше месяца, часть контактов за это время успевала протухнуть. Что сделал Python, FastAPI, Asterisk через ARI, PostgreSQL, Redis под очередь звонков, отчёты в Telegram на aiogram 3, всё в Docker на VPS. Звонки уходят через SIP-транк оператора, синтез речи и распознавание - облачные, голос и ключи меняются в конфиге. Первая фраза всегда одна: робот называет компанию, честно говорит, что он робот, и что разговор записывается. Очередь в Redis, лимит одновременных линий выставляется в админке, по умолчанию шесть - больше транк не тянет. Стоп-лист общий на все кампании, номер попадает туда и вручную, и сам - после «не звоните больше» на любом шаге. Заинтересованных робот переводит на менеджера прямо в разговоре, то-есть человек не ждёт обратного звонка. Так-же в админке карточка кампании - сколько набрано, сколько дозвонов, разбивка по меткам и выгрузка в Excel. Результат Ту же базу в четыре тысячи номеров робот проходит примерно за неделю, шесть линий работают с утра до вечера без перекуров. После сдачи добавил повторный дозвон по недозвонам: три попытки в разные часы, потом номер уходит в «недоступен». Запись демо-разговора и скриншоты админки приложены к работе.

Задача Магазин запчастей со своим сервисом на три подъёмника заказал приложение внутри Telegram. Клиенты присылали фото детали и номер рамы скриншотом, половина цифр не читалась и переспрашивали по два раза. Цены собирали из трёх прайсов поставщиков в Excel, к вечеру файл устаревал и заказ уезжал по старой цене. На одно обращение уходило минут пятнадцать, а таких обращений набегало под пятьдесят в день. Аналоги предлагали по памяти, поэтому дешёвый вариант всплывал уже после того, как клиент согласился на оригинал. Просили приложение, где человек сам вводит VIN и видит подходящие детали с ценой, наличием и сроком поставки. Что сделал Mini App на React, бот на Python и aiogram 3, бэкенд FastAPI, база PostgreSQL, кэш в Redis. Если VIN нет - подбор в четыре шага: марка, модель, год, двигатель, до конкретной модификации. Корзина собирается по машине, готовая заявка падает менеджеру в чат карточкой с VIN, списком артикулов и суммой. Результат Подбор занимает у клиента две-три минуты вместо пятнадцати минут переписки, менеджеру остаётся проверить готовую заявку и подтвердить срок. За первый месяц через приложение прошло около 900 подборов, 230 из них дошли до заявки. Запись в сервис цепляется примерно к каждой пятой заявке, раньше про установку вспоминали не всегда. После приёмки добавил историю по VIN: видно, что уже брали на эту машину и когда меняли масло. Демо приложения и скрины экранов приложены к работе.