Аудит готовности, разработка агентов и RAG-систем, голосовые ассистенты, компьютерное зрение для документов, интеграция LLM в существующие продукты. Senior-инженер с кейсами в продакшене.
Беру задачи end-to-end: от первого разговора и аудита до релиза и поддержки в проде. Без «давайте сначала проведём 6-месячное исследование».
Где AI даст реальный ROI, где сожжёт бюджет. Карта use-case'ов, оценка готовности данных, выбор стека и моделей, дорожная карта на 3–12 месяцев.
Агенты, которые реально решают задачи, а не «диалоговое демо». Tool-use, multi-step reasoning, recovery от ошибок, audit trail и контроль стоимости.
Q&A по документам, базам знаний, регламентам. Правильный чанкинг, выбор embedder'а, метрики retrieval, защита от галлюцинаций.
STT → LLM → TTS пайплайны на проде. Whisper (облако или локально), диаризация спикеров, синтез речи. Кейсы в медицине, телефонии, кол-центрах.
Claude Vision / GPT-4V для документов, чертежей, накладных. Гибридные пайплайны, где LLM работает только там, где нет детерминированной логики.
AI как часть существующего бэкенда — не отдельная демка. FastAPI / Spring Boot, очереди, контроль стоимости токенов, A/B тесты моделей, наблюдаемость.
Публичные проекты ссылаю напрямую. Кейсы под NDA — описаны категориями и техническими вызовами без раскрытия клиента.
За 24 часа собрал с командой (как тимлид) AI-аналитическую платформу с agent loop: Claude выбирает из 8 инструментов, Java детерминированно считает, Claude интерпретирует. Materialized views, тюнинг PostgreSQL, защита от дорогих high-cardinality запросов.
Автономный агент с 9 инструментами над виртуальной файловой системой. Многопоточное исполнение, типобезопасные tool-calls через Pydantic, итеративная доводка от v1 к v2.
End-to-end продукт: hardware (ESP32-S3 + BLE) → бэкенд (FastAPI + Celery) → AI-пайплайн (faster-whisper large-v3 + pyannote-audio + GPT-4o → структурированная медицинская запись). Защита от vendor-lock: переключение между провайдерами через конфиг.
Claude Vision как часть детерминированного пайплайна: парсинг DXF (ezdxf) + геометрия (Shapely, boolean ops) + LLM-fallback только там, где правил недостаточно. Golden-dataset тестирование, точность ±1 мм² на ключевых сценариях.
Полная цепочка для входящего вызова: IVR → запись в WAV → Whisper → GPT-4o → TTS → проигрывание в трубку. Корректная работа с форматами SIP-телефонии (8 кГц mono).
«Как мы поймём, что AI работает?» — болевая точка любого внедрения. Сделал фреймворк: 23 probe-сценария × 10 измерений качества, signal-checkers + LLM-as-judge, scoreboard версий промптов, HTML-отчёты, live-логи через SSE.
Никакого «AI ради AI» и шестимесячных исследований. Гипотеза → быстрый PoC → решение, делаем дальше или закрываем честно.
30–60 минутный разговор + изучение задачи. На выходе: 3–5 ранжированных use-case'ов с оценкой ROI, рисков и сложности. Бесплатно.
Глубокий анализ выбранного направления: данные, инфраструктура, выбор моделей и стека, конкуренты, дорожная карта на 3–6 месяцев. Фикс-прайс, документ + презентация.
Рабочий прототип на реальных данных. Метрики качества и стоимости. Решаем go/no-go на основе цифр, а не ощущений.
MVP в проде с мониторингом, контролем стоимости и evaluation harness. Дальше — поддержка или передача команде клиента с документацией и обучением.
Senior full-stack с 8-летним опытом, последние 3 года — в AI/LLM на проде. Прошёл путь от ML-курса ФКН ВШЭ до production-систем с агентами и кастомным STT-пайплайном на ESP32.
Не люблю красивые слайды без чисел. Люблю — когда заказчик говорит «теперь у нас всё работает» и присылает скриншот метрик. Не возьмусь за проект, где AI не нужен — честно скажу.
Опишите ситуацию в свободной форме: что есть, чего хочется. В ответ — короткая оценка, нужно ли вам AI, и если да — как лучше подойти. Без обязательств.