Михаил Гловинский
Предложите Михаилу работу над вашим следующим проектом или зарегистрируйте профиль фрилансера и начинайте зарабатывать прямо сейчас.
Личное сообщение
Предложить работу
Киев,
Украина
9 часов 29 минут назад
свободен для работы
11 Сейфов завершены
4 месяца 17 дней назад
9 заказчиков
сделана 1 ставка
на сервисе 7 лет
Рейтинг
Уровень владения языками
Українська: носитель
Русский: носитель
English: средний
Навыки и умения
Программирование
-
AI и машинное обучение
от 1200 UAH за час
-
Парсинг данных
от 1200 UAH за час
-
Разработка ботов
от 1200 UAH за час
Дизайн и арт
-
AI в дизайне
от 1200 UAH за час
Услуги
-
Консультирование по AI
от 1200 UAH за час
-
Работа с клиентами
от 1200 UAH за час
Фото, аудио и видео
-
AI cинтез голоcа
от 1200 UAH за час
-
AI cоздание видео
от 1200 UAH за час
Работа с текстами
-
AI обработка текстов
от 1200 UAH за час
Портфолио
- Все работы 33
- Администрирование систем и сетей 1
- Базы данных и SQL 2
- E-mail маркетинг 1
- Бухгалтерские услуги 1
- Парсинг данных 1
- Поиск и сбор информации 2
- Работа с клиентами 1
- AI и машинное обучение 15
- Разработка ботов 6
- Консультирование по AI 1
- AI cоздание видео 1
-
Кастомные AI-модели — от обучения до запуска на собственном сервере
Научиться создавать собственные AI-модели под конкретную задачу и тон — чтобы клиент мог иметь свой AI, а не зависеть только от общих сервисов типа ChatGPT. Конечный продукт — набор рабочих, компактных моделей, которые работают на частном сервере рядом с автоматизацией, без оплаты за каждое сообщение внешним провайдерам.
Ключевые требования:
… Ноль затрат: весь процесс на 100% бесплатных инструментах, без платных облачных сервисов
Честное сравнение: протестировать три размера моделей и найти лучший баланс качества и цены
Легкость: модели должны быть достаточно малы, чтобы работать даже на слабом старом ноутбуке
Готовность к интеграции: модели в формате, который подключается напрямую к n8n-автоматизациям
Стабильность: обойти технические ограничения бесплатных платформ для обучения
Как это работает:
Идея заключалась в том, чтобы уметь предложить клиенту его собственную обученную модель — а не просто подключение к чужому сервису — и сделать это полностью на бесплатных инструментах.
Обучил три модели и честно их сравнил: натренировал три модели разного размера на одинаковых данных и протестировал на тех же вопросах, чтобы увидеть, какая дает лучшие ответы за свои деньги. Это дает четкую основу, чтобы советовать клиенту правильную модель под его бюджет.
Решил сложное ограничение платформы: бесплатные сервисы для обучения имеют известную проблему, которая ломает современные модели. Я нашел надежный обходной путь, который позволил обучить модель там, где стандартные инструкции просто не работают.
Подобрал правильный размер модели под ограничения: самая большая модель обучалась бы более суток и не влезла бы в бесплатный лимит времени. Я перешел на меньшую многоязычную модель — сильную в украинском — и сократил обучение до нескольких часов без реальной потери качества.
Построил воспроизводимый production-процесс: обучение → упаковка → сжатие → запуск. Этот же процесс теперь используется для обучения AI-ассистента, который работает напрямую с n8n-автоматизациями.
Доказал, что качество данных решает все: проанализировал несколько публичных наборов данных и показал, что слабые ответы происходят от плохих обучающих данных, а не от самой модели — ключевой вывод для любого будущего проекта с кастомным AI.
Результат:
Рабочий набор кастомных AI-моделей и процесс, который можно повторно применять на реальных клиентских проектах:
Готовая к использованию AI-модель, опубликованная онлайн (компактная версия ~1 ГБ), работающая даже на старом ноутбуке
Воспроизводимый процесс обучения, упаковки и запуска собственных моделей — пригодный для будущих клиентских проектов
Честное сравнение "качество vs цена" по трём размерам моделей — основа для рекомендации правильной модели под бюджет
Готовность к продакшену: модели разворачиваются на частном сервере и подключаются напрямую к n8n-автоматизациям через стандартный API
#n8n #AI #LLM #Файнтюнінг #КастомныйAI #SelfHosted #MachineLearning #Автоматизация #NoCode #HuggingFace #Ollama
-
10 000 UAH Автоматизированная лидогенерация и мониторинг тендеров
AI и машинное обучение
Мета:
Создать автономную систему лидогенерации, которая ежедневно сканирует реестр Prozorro в поисках двух категорий возможностей: заключенных договоров (теплые лиды — организации, которые уже покупают релевантный товар) и активных тендеров (где можно подать предложение). Конечный продукт — структурированная CRM-база в Airtable с полным контактом заказчика, участниками и ценами предложений.
Ключевые требования:
…
Два параллельных воркфлоу: изолированная обработка контрактов (/contracts) и активных тендеров (/tenders?status=active.tendering)
Расширенная фильтрация: 5 CPV-кодов + 15 брендов-маркеров + минимальная сумма 50 000 грн
Курсорная пагинация с историческим backfill: сканирование Prozorro с 01.01.2025 без потери позиции между запусками
Детализированная CRM-структура: контакты (ЕГРПОУ, email, телефон), участники аукциона с ценами, ссылки на реестр предложений
Дедупликация на уровне Airtable: предотвращение повторных записей при непрерывной работе
Гибридная логика: закрытые тендеры, которые прошли фильтр, автоматически обогащают базу лидов данными участников для будущих email-кампаний
Мой Вклад:
Заказчик торгует энергетическим оборудованием (аккумуляторы, ИБП, солнечные панели) и тратил часы ежедневно на ручной мониторинг Prozorro. Задача заключалась не просто в "присылке тендеров", а в создании готового к продажам конвейера лидов с полным расшифровкой рынка.
Архитектурная декомпозиция: вместо одного "толстого" флоу я разделил систему на два независимых воркфлоу — для договоров и активных тендеров. Каждый имеет собственный курсор, график запуска и Airtable-таблицу. Это позволило масштабировать источники без взаимных блокировок.
Курсорная пагинация с self-healing логикой: Prozorro возвращает упаковочный курсор в формате {timestamp}.{seq}.{hash}. Я реализовал защитный слой, который валидирует курсор перед использованием и автоматически восстанавливает его с валидной даты, если API возвращает аномалию (например, сброс до 2015 года). Без вмешательства администратора.
Двухуровневое обогащение данных: для лидов я сделал каскад HTTP-запросов — сначала контракт (покупатель, поставщик, сумма), затем тендер (участники, ставки, реестр предложений). Отдельный JavaScript-узел объединяет эти потоки и формирует JSON с массивом участников (название, ЕГРПОУ, email, начальная + финальная ставка), готовый для интеграции с email-рассылками.
Дедупликация через Airtable Search: перед каждой записью флоу делает поиск по contractID/tenderID, что позволяет безопасно перезапускать воркфлоу сколько угодно раз без создания дублей.
Маршрутизация закрытых тендеров: тендеры, которые закончились до момента обработки, не выбрасываются — IF-логика перенаправляет их в таблицу "Лиды" с полным списком участников. Так заказчик получает не только потенциальных клиентов-покупателей, но и конкурентов-поставщиков для анализа рынка.
Результат:
Работающая система, которая ежедневно обогащает CRM заказчика без какого-либо человеческого вмешательства:
2 источника данных в одной БД: Airtable с двумя таблицами ("Лиды" и "Активные тендеры"), каждая с контактами, ценами, документами и ссылками
Готовность к email-маркетингу: структурированные данные участников (с email и телефонами) можно напрямую сбрасывать в Mailchimp/SendPulse/собственный скрипт
Экономия 2-3 часа/день: вместо ручного гугления заказчик сразу получает таблицу с 18 полями
Исторический охват: backfill с 01.01.2025 позволил сформировать базу теплых лидов за 16+ месяцев еще до запуска
Стабильность 24/7: система запускается 4 раза в день по расписанию, с retry-логикой на API-ошибки и самовосстановлением курсора
#n8n #Airtable #LeadGeneration #SalesAutomation #Prozorro #API #WorkflowAutomation #JavaScript #CRM #DataPipeline #BusinessAutomation #NoCode #B2B #Лидогенерация #Автоматизация
-
6651 UAH Автоматизированный мониторинг ежедневных продаж Prom и Rozetka
AI и машинное обучение
Мета: Автоматизировать сбор и консолидацию ежедневной финансовой аналитики с различных маркетплейсов (Prom, Umall, Rozetka) через CRM SalesDrive в Telegram. Ключевой вызов: объединить данные из разрозненных источников (разные formId) и обеспечить точность расчетов прибыли и «хитов продаж» в условиях нестабильной передачи системных дат через API.
Решение: Многопоточная архитектура на n8n (self-hosted на Railway):
… 1. Извлечение данных (SalesDrive API Pipeline)
Многоисточниковый сбор: Реализованы отдельные HTTP-запросы для веток PROM + UMALL и ROZETKA. Использованы специфические заголовки аутентификации для каждого источника.
Точное фильтрование: Настроена жесткая фильтрация по временным окнам (00:00:00 – 23:58:59) через параметры orderTime и createTime, что исключает подтягивание «исторических» заказов при их редактировании менеджерами.
Валидация статуса: Система автоматически отсекает технический мусор и аннулированные заявки (статус 32/51), гарантируя, что в отчет попадает только реальная «касса».
2. Аналитический движок (JS Code Logic)
Финансовый агрегатор: Code Node выполняет роль бэкенд-процессора: парсит массивы заказов, конвертирует строковые данные в числа (parseFloat) и проводит суммирование оборотов и чистой прибыли в реальном времени.
Обнаружение хитов продукта: Алгоритм динамически подсчитывает количество проданных единиц каждого SKU, определяет лидера дня («Хит продаж») и выводит его название вместе с количеством реализаций.
Нормализация данных: Автоматическая унификация названий товаров и артикулов, даже если они отсутствуют в отдельных объектах массива products.
Результат:
Дизайн отчетности: Формирование строгого бизнес-отчета в Telegram с использованием моноширинного шрифта для удобного считывания цифр и мгновенного копирования ЕДРПОУ/сумм одним тапом.
Операционный контроль: Владелец получает полную картину продаж за 1 секунду без необходимости заходить в CRM и вручную строить фильтры.
Надежность: Благодаря хостингу на Railway и оптимизированным таймаутам подключения к БД (PostgreSQL), система стабильно обрабатывает запросы даже в пиковые часы нагрузки на маркетплейсы.
#n8n #SalesDrive #ECommerce #Prom #Rozetka #BusinessIntelligence #Automation #API #Railway
-
6000 UAH Архитектура синхронизации: Notion → Reclaim.ai
AI и машинное обучение
Мета: Автоматизировать планирование производственных задач из Notion в Reclaim.ai через Google Tasks. Ключевой вызов: реализовать надежную дедупликацию без изменения статусов в Notion и обойти жесткие квоты Google API.
Решение: Двухуровневая архитектура на n8n (Railway):
… 1. Сбор и Валидация (Notion Pipeline)
Умная Дедупликация: Система игнорирует повторные триггеры Notion, сверяя ID страниц с собственной базой (Data Table). Это позволяет статусу PRODUCE оставаться статичным.
Динамическое Временное Окно: Фильтрация задач по 14-дневному окну (REZERWACJA), что исключает планирование архивных записей.
JS Hours Parser: Code Node автоматически конвертирует свободный ввод часов в формат (duration: Xh), понятный для AI-алгоритмов Reclaim.ai.
2. Доставка и Оптимизация (Queue Engine)
Управление Квотами: Внедрена пакетная обработка (Batching) и ретраи (Retry), что устранило ошибки 403 Quota Exceeded при массовых операциях с Google API.
Асинхронный Поток: Распределение на «Собиратель» и «Отправитель» через очередь статусов (PENDING -> SENT), что гарантирует 100% доставку каждой задачи.
Результат:
Скорость Синхронизации: Появление задачи в календаре за 1–5 минут.
Стабильность: Полная автоматизация без "ручного" сопровождения статусов в Notion.
Масштабируемость: Готовая инфраструктура для масштабирования на другие отделы компании.
#n8n #Notion #ReclaimAI #Automation #Backend #API
-
40 000 UAH AI-идентификатор лидов: Bitrix24 + Binotel
AI и машинное обучение
Мета: Разработать интеллектуальную систему автоматизации CRM-маркетинга для идентификации анонимных лидов в Bitrix24. Требование: обеспечить автоматическое распознавание клиентов через анализ входящих звонков телефонной связи Binotel, минимизировать затраты на AI-анализ через пакетную дедупликацию и очистить базу от «мусорных» контактов.
Мой Вклад / Решение: Спроектирована многоуровневая архитектура на self-hosted n8n, которая интегрирует Bitrix24 API с моделями (GPT-4o). Реализована логика для сохранения контекста данных при сложных разветвлениях воркфлоу.
… 1. Интеллектуальный Media Engine (Анализ и Идентификация):
Multi-Step AI Transcription & Analysis: Внедрена система извлечения аудиозаписей из сущностей Bitrix Activity. Использованы нейросети для транскрибации и семантического анализа диалогов с целью выявления имен клиентов, названий компаний и типа запроса.
High-Precision Filtering: Реализована строгая фильтрация входящего потока: игнорирование исходящих звонков (DIRECTION: 1), отсечение разговоров короче 40 секунд и детекция спама. Это позволило сфокусировать ресурсы AI только на целевых входящих лидах.
2. Пакетная обработка и Data Integrity (Оптимизация):
Batch Deduplication Standard: Разработан механизм сравнения входных данных с существующей БД по принципу [Вход] - [БД] = [Новые]. Это исключило повторную обработку архивных звонков (2024–2026) и снизило затраты на API нейросетей.
Source of Truth Recovery (V16): Решена проблема потери контекста (Activity ID, Phone) при успешных API-запросах к Bitrix24. Создана архитектура, где финальная нода Normalize Data обращается к исходному состоянию итератора (Process Calls3), гарантируя 100% заполнение полей в финальном логировании.
3. Надежность и Infrastructure Management:
Оптимизирована работа self-hosted инстанса n8n для массовой обработки больших архивов. Внедрена стратегия очистки данных, отключено логирование успешных запусков для экономии дискового пространства и реализовано автоматическое сжатие базы.
Archival & Real-time Hybrid: Система настроена на гибридный режим: глубокая обработка исторических архивов (глубина до 2 лет) и ежедневный мониторинг новых контактов «по горячим следам».
Результат: Создан автономный backend-продукт для автоматического обогащения CRM-данных:
Data Enrichment: Автоматизирована идентификация более 80% анонимных входящих звонков, превращая «Телефонный звонок от...» в именованные контакты с историей запроса.
#n8n #Bitrix24 #Binotel #AIAutomation #GPT4 #Backend #CRMIntegration #NoCode #DataEngineering
-
13 302 UAH Мультимодельная платформа на базе n8n
AI и машинное обучение
Мета: Создать профессиональный инструмент для генерации высококачественного AI-видеоконтента (Кинематографические Трейлеры) с гибридной моделью ценообразования. Требование: обеспечить качество уровня Kling/Luma при оптимальной себестоимости, внедрить систему управления балансом и автоматизировать пост-продакшн (брендинг).
Мой Вклад / Решение: Разработана многоуровневая архитектура на n8n, которая интегрирует передовые SOTA-модели (Kling, Veo, Luma) через FAL.ai API. Внедрена логика динамического выбора модели в зависимости от бюджета пользователя и технических требований к видео (длительность, частота кадров).
… 1. Гибридный Media Engine (Оптимизация качества и затрат):
Multi-Model Orchestration: Реализована логика переключения между моделями: Kling 1.0 (для бюджетных генераций ~$0.45), Veo 3.1 (баланс цены/качества ~$1.2) и Kling 2.1 Master (VIP-качество). Это позволило клиенту предложить гибкие тарифы для различных сегментов пользователей.
Prompt Engineering & Validation: Внедрена система обработки сложных кинематографических промптов. Автоматизирована проверка параметров (duration, aspect ratio) на этапе входа, что предотвращает ошибки API (например, валидация длительности 4s/8s для модели Veo) и экономит средства на неудачных запросах.
2. Система управления состояниями и финансами (CRM & Balance):
Atomic Credit System: Спроектирована система "внутренней валюты" (баланса). Каждая генерация списывает средства только после успешного подтверждения от API, что исключает потери денег пользователя при технических сбоях нейросетей.
Concurrency & Request Tracking: Решена проблема дублирования записей при длительных операциях (генерация видео занимает 5-10 мин). Использован механизм идентификации через уникальные Transaction IDs, что предотвращает повторные запуски узлов при повторных callback-запросах от Telegram.
3. Photo-to-Video Workflow:
Dual-Path Generation: Реализованы два сценария работы: генерация видео на основе загруженного фото пользователя (Custom Input) и создание видео из предварительно сгенерированных AI-изображений (Full-AI Loop).
Результат: Создан масштабируемый SaaS-продукт для генерации AI-видео, готовый к коммерческому использованию:
Cost Control: Себестоимость генерации 10-секундного ролика снижена до $0.45 при сохранении высокого качества.
High Reliability: Система стабильно обрабатывает длительные очереди рендеринга (асинхронная обработка) без "зависания" рабочего процесса.
Monetization Ready: Полностью готовая логика CRM, балансов и уровней доступа (Basic/VIP).
#n8n #GenerativeAI #KlingAI #VideoAutomation #Backend #APIIntegration #SaaSDevelopment #LowCode
-
12 000 UAH Интеллектуальная система управления заказами
Разработка ботов
Мета: Разработать отказоустойчивую систему приема заказов (E-commerce Bot) с логикой защиты от коллизий данных. Требование: система должна работать как State Machine (конечный автомат), динамически подстраивать интерфейс под наличие товаров в базе и обеспечивать "чистоту" входных данных еще до этапа обработки менеджером.
Мой Вклад / Решение: Спроектирована и внедрена архитектура "State-Aware Architecture" на базе n8n, которая управляет жизненным циклом пользователя от входа до финализации сделки. Использован подход Low-Code + Custom JS для обхода ограничений стандартных узлов.
… 1. Архитектура "Gatekeeper" (Управление сессиями):
Logic Engine & Concurrency Control: Реализован жесткий алгоритм "Фейсконтроля" (Switch Node Logic). Система проверяет базу данных на наличие незавершенных транзакций (статусы "Pending", "Payment Wait") перед стартом нового процесса. Это исключает создание дублей и "мусорных" записей.
Session Reset & Cleanup: Внедрен механизм принудительного сброса зависших сессий (force_cancel), который позволяет пользователю самостоятельно решать конфликты состояний без обращения в поддержку.
2. Динамический Frontend (Telegram UI):
JSON-Generated Interface: Вместо хардкодинга кнопок реализована динамическая генерация меню (JavaScript Code Node). Бот делает запрос к складской базе данных (n8n Table/Airtable), получает актуальный каталог товаров и "на лету" рендерит клавиатуру. Это позволяет добавлять товары (/add) без перезагрузки бота.
Raw HTTP Requests: Для обхода ограничений стандартных нод n8n и устранения UI-глюков использованы прямые POST-запросы к Telegram API. Это обеспечило стабильную работу сложных объектов reply_markup и корректную передачу callback-данных.
3. Data Integrity & Validation (Целостность данных):
Smart Parsing: Комбинация регулярных выражений (RegEx) и условных операторов для валидации ввода (например, различение суммы "200" от телефона "050...").
Database Locking: Использование атомарных обновлений строк по уникальным ID (а не по ChatID), что решило проблему перезаписи данных при одновременной работе нескольких операторов или инстансов.
Результат: Создана автономная система продаж, которая не требует технического надзора:
Zero-Conflict Database: Количество дублированных или ошибочных заказов сведено к 0 благодаря логике state-management.
Scalability: Добавление новых товарных позиций занимает секунды через админ-команды, автоматически обновляя интерфейс у всех пользователей.
User Experience: Система сама "ведет" клиента, блокируя нелогичные действия и предлагая контекстные сценарии выхода из ошибок.
#n8n #JavaScript #BackendArchitecture #StateManagement #TelegramBotAPI #ECommerceAutomation #ErrorHandling #DatabaseDesign
-
20 000 UAH Система анализа телеком-трафика с AI-Vision
AI и машинное обучение
Мета: Автоматизировать критически важный бизнес-процесс телеком-компании — анализ входящих прайс-листов (Rate Sheets) от поставщиков VoIP трафика. Проблема заключалась в разнообразии форматов: поставщики отправляют цены в Excel, CSV, PDF и даже картинками (скриншоты в мессенджерах). Ручная обработка занимала часы, что приводило к потере выгодных сделок на динамичном рынке. Требование: Система должна быть "всеядной", определять выгодные (BUY) и невыгодные (SELL) направления, сравнивая их с внутренним рыночным API, и мгновенно уведомлять менеджеров.
Мой Вклад / Решение: Решение реализовано на Self-hosted n8n, с использованием Google Drive, OpenAI (GPT-4o / Turbo) и Google Sheets. Архитектура построена по принципу "Parent-Child" (Родитель-Ребенок) для масштабируемости и отказоустойчивости.
… 1. Воркфлоу "Omni-Channel Ingestion" (Родительские процессы):
Маршрутизация и Очередь: Реализована логика Smart Queue. Система сканирует Google Drive, идентифицирует тип файла (.xlsx, .csv, .pdf, .png) и обрабатывает их по одному (Batch Size: 1) с интервалом в 20 минут, чтобы избежать перегрузки API и лимитов.
AI Vision & OCR: Для обработки "нечитабельных" форматов (PDF/Images) создан каскад:
CloudConvert: Конвертация многостраничных PDF в высококачественные PNG (300 DPI).
GPT-4o Vision: Использование мультимодальной модели для визуального считывания таблиц с картинок, где обычные парсеры бессильны.
Smart CSV Parsing: Для больших текстовых файлов реализован алгоритм "Chunking" — разбитие текста на пакеты по 40 строк для обработки более легкой моделью GPT-4 Turbo, что существенно экономит бюджет заказчика.
2. Воркфлоу "Аналитическое Ядро" (Дочерний Воркфлоу):
Data Enrichment: Внедрен сложный алгоритм матчинга (JavaScript). Система нормализует названия стран (например, исправляет "Dr Congo" на официальное название), определяет MCC/MNC коды по внутреннему справочнику и классифицирует тип трафика (Direct/HQ/SS7/Sim) на основе метаданных файла.
Market Intelligence: Интеграция с внешним API (interconnect.solutions). Каждая строка прайса проверяется в реальном времени для получения рыночной медианы.
Logic Engine: Автоматический расчет маржинальности. Система присваивает статус BUY (если цена ниже рынка) или SELL, и сортирует предложения от самых выгодных.
3. Надежность и UX:
Error Handling: Настроен глобальный перехватчик ошибок и локальные Retry-стратегии (3 попытки) для нестабильных HTTP-запросов.
Reporting: Финальный результат формируется в виде интерактивного HTML-отчета в Telegram с ссылками на оригинал и обработанный файл, а также Top-15 рекомендаций для менеджеров.
Результат: Заказчик получил полностью автоматизированный отдел закупки трафика:
Универсальность: Система обрабатывает любой входной файл, от Excel до фотографии экрана.
Скорость реакции: Время от получения файла до принятия решения сократилось с часов до минут.
Экономический эффект: Менеджеры получают готовые "сигналы" (Buy Alerts) и не тратят время на ручное сравнение тысяч строк.
Стабильность: Благодаря очередям и оптимизации запросов система работает 24/7 без сбоев API.
#n8n #OpenAI #GPT4o #ComputerVision #Automation #Telecommunications #VoIP #JavaScript #GoogleDriveAPI #DataEngineering #CloudConvert #TelegramBot
-
15 000 UAH Цифровой соучредитель.
AI и машинное обучение
Мета: Создать интеллектуального AI-партнера для владельца строительной девелоперской компании. Система должна объединить офлайн-базу знаний (Obsidian) с мощностью облачного AI (OpenAI GPT-4o). Ключевые требования:
- RAG (Retrieval-Augmented Generation): Ответы должны основываться исключительно на внутренних регламентах и документах компании.
… - Двусторонняя связь: Агент должен не только "читать" базу, но и "писать" в нее (создавать новые файлы/регламенты по команде в Telegram).
- Экономия ресурсов: Умная индексация, чтобы не перечитывать неизмененные файлы.
Мой Вклад / Решение:
Решение построено на базе Self-hosted n8n (Railway), векторной базы данных Supabase и облачного хранилища Google Drive. Архитектура состоит из 3-х сложных воркфлоу:
1. Воркфлоу "Умный Индексатор" (ETL Pipeline):
Google Drive (Рекурсивный Поиск): Реализован сложный алгоритм поиска файлов (.md, .txt, .pdf) по всему диску с обходом вложенных папок и фильтрацией "чужих" файлов.
Incremental Sync (Экономия средств): Разработана логика сравнения метаданных. Воркфлоу сравнивает файлы с диска с таблицей file_tracker в Supabase (SQL). На обработку (Embedding) отправляются только новые или измененные файлы. Это экономит до 90% токенов OpenAI.
Векторизация: Текст разбивается на чанки, преобразуется в векторы (OpenAI Embeddings) и сохраняется в Supabase.
2. Воркфлоу "Мозг" (Conversational AI Agent):
AI Агент (LangChain): Использует модель GPT-4o с кастомным системным промптом "Цифрового Соучредителя".
Долгосрочная Память: Подключена Postgres Chat Memory (в Supabase), что позволяет боту помнить контекст диалогов бессрочно.
Инструмент Векторного Хранения: Реализован инструмент поиска, который использует кастомную SQL-функцию match_documents для нахождения наиболее релевантных ответов в базе знаний.
3. Воркфлоу "Руки" (File Generator Tool):
Автономное создание контента: Агент может вызывать этот саб-воркфлоу для создания новых документов.
Умный Парсинг (JavaScript): Написан скрипт-санитайзер, который разбирает ответ AI (даже если он приходит в нестандартном формате) на filename и content.
Запись: Файл загружается на Google Drive, после чего автоматически синхронизируется с локальным Obsidian заказчика через Google Drive Desktop.
Результат:
Клиент получил полностью автономную систему управления знаниями:
"Живая" База: Любое изменение в заметке Obsidian автоматически попадает в "мозг" бота.
Стратегический партнер: Владельцу можно консультироваться с ботом по стратегии, и бот отвечает, опираясь на историю и контекст компании, а не на общие фразы.
Автоматизация рутины: Бот работает как секретарь — создает черновики договоров, идей и планов прямо в рабочую папку владельца.
Надежность: Решены проблемы с тайм-аутами серверов и дубликатами данных с помощью SQL-оптимизации и настроек Railway.
#n8n #OpenAI #RAG #Supabase #VectorDatabase #PostgreSQL #Obsidian #KnowledgeManagement #WorkflowAutomation #JavaScript #Railway #SelfHosted #GoogleDriveAPI #AIagent
-
5000 UAH AI-анализатор лидов с 8 RSS-каналов
AI и машинное обучение
Мета:
Создать автономного AI-ассистента для мониторинга и квалификации фриланс-проектов для маркетингового агентства (SEO/SMM/PPC). Ключевое требование — агрегация данных из 8+ различных RSS-лент, полная автоматическая дедупликация проектов для экономии средств и интеллектуальный анализ каждого уникального лида с помощью OpenAI перед отправкой в Telegram-группу клиента.
… Мой Вклад:
Проект имел две фундаментальные проблемы:
Информационный Шум: Проекты по программированию (Python, PHP) и дизайну попадали в релевантные маркетинговые категории (например, "AI" или "Боты").
Массовые Дубликаты: Один и тот же проект часто появлялся в 3-4 различных RSS-лентах одновременно, что приводило к 3-4 одинаковым уведомлениям и, что хуже всего, к 3-4-кратной оплате за анализ в OpenAI.
Мой вклад заключался в проектировании сложной, многоступенчатой архитектуры "конвейера" в n8n. Я разработал "пуленепробиваемую" систему дедупликации, которая является сердцем этого рабочего процесса. Вместо простой фильтрации я объединил "потоковую" дедупликацию (в пределах одного запуска) с "постоянной памятью" (n8n Data Tables), гарантируя, что ни один проект не будет проанализирован дважды, независимо от того, когда и откуда он поступил.
Решение:
Финальное решение — это единый рабочий процесс n8n, который работает по расписанию каждые 10 минут и состоит из 5 логических блоков:
1. Блок Сбора и Агрегации:
Schedule Trigger запускает 8 параллельных узлов RSS Read, каждый из которых мониторит свою категорию (SEO, SMM, PPC, Лиды и т.д.).
Узел Merge (Combine All) собирает все 8 потоков в один массив проектов.
2. Блок Подготовки:
Узел Set (Edit Fields1) стандартизирует данные и создает поле fullText (из title и content) для будущего анализа.
3. Блок Дедупликации (Ключевой Этап):
Data Table (Get row(s)): Загружает из "памяти" (Processed_Leads) полный список guid всех проектов, обработанных ранее.
Merge (Merge_Deduplicate): Использует режим keepNonMatches. Он сравнивает поток новых проектов (Input 1) со списком старых guid (Input 2) и пропускает дальше только те проекты, которых нет в "памяти".
Remove Duplicates (Node 1): Убирает дубликаты в пределах текущего запуска (на случай, если один проект пришел из 2-х RSS-лент одновременно).
Remove Duplicates (Node 2): Дополнительная проверка "на лету" по внутренней памяти n8n, гарантируя 100% уникальность.
4. Блок AI-Анализа и Сохранения:
Message a model (OpenAI): Получает только уникальные проекты. Промпт GPT-4o анализирует fullText и возвращает JSON с оценкой (score), причиной (reason) и маркером "мусор" (is_trash).
Data Table (Insert row): Немедленно записывает guid только что проанализированного проекта в "память" (Processed_Leads), чтобы он больше никогда не прошел дедупликацию.
5. Блок Уведомления:
Code (JavaScript): Узел-"санитайзер", который очищает title и reason от специальных символов (*, _, [ ]), которые могут сломать форматирование Telegram.
Telegram (2 узла): Отправляют идеально отформатированное, проанализированное сообщение с оценкой AI двум получателям — мне (для контроля) и в рабочую группу клиента.
Результат:
Создан полностью автономный AI-ассистент, который мониторит 8 источников 24/7. Клиент получил систему, которая:
Гарантированно экономит деньги: 100% дубликатов фильтруются до отправки в OpenAI, предотвращая лишние расходы API.
Экономит время: Клиент получает не "сырой" поток, а уже проанализированные лиды с оценкой (score) и кратким выводом (summary).
Высокая релевантность: Интеллектуальный промпт в OpenAI дополнительно отсекает "мусор" (is_trash: true), который просочился через RSS.
Надежность: Использование Data Tables как постоянной "памяти" гарантирует, что даже при перезапуске рабочего процесса система не отправит старых проектов.
#n8n #OpenAI #GPT4 #WorkflowAutomation #LeadGeneration #RSS #APIIntegration #DataTables #Deduplication #Telegram #JavaScript #Freelance #MarketingAutomation #SEO #PPC #SMM #Автоматизация #Лидогенерация #Маркетинг
-
4200 UAH Разработка платежного шлюза WayForPay на n8n для Telegram-бота
AI и машинное обучение
Мета:
Создать полностью автономную систему управления подписками для Telegram-бота. Ключевое требование — интеграция с украинским платежным сервисом WayForPay для автоматического выставления счетов и активации доступа после оплаты. Система должна надежно отслеживать статусы подписок, обновлять данные пользователей в Google Sheets и соответствовать строгим требованиям безопасности API WayForPay.
Мой Вклад:
… Проект начался с фундаментальной технической проблемы: стандартные no-code платформы, такие как Make.com, не имеют встроенных инструментов для генерации и валидации криптографических подписей HMAC-MD5, которые обязательны для работы с WayForPay. Это делало прямую интеграцию невозможной.
Мой вклад заключался в разработке "с нуля" новой архитектуры на self-hosted n8n, которая полностью решала эту проблему. Я спроектировал надежную двухкомпонентную систему, разделив логику создания счетов и обработки платежей на два отдельных, но тесно интегрированных воркфлоу, что обеспечило максимальную стабильность и легкость в отладке.
Решение:
Финальное решение состоит из двух оптимизированных рабочих процессов в n8n, которые обеспечивают полный цикл обработки платежа.
Воркфлоу 1: Создание Счета
Сердцем этого процесса является цепочка узлов Crypto и Code.
Подготовка Запроса: С помощью узла Code динамически формируется идеально структурированное JSON-тело запроса, что гарантирует правильность типов данных (числа, массивы), которые требует API.
Генерация Подписи: Узел Crypto создает уникальную HMAC-MD5 подпись для исходного запроса.
Создание Счета: Финальный HTTP Request отправляет подписанный запрос в WayForPay, получая в ответ уникальную ссылку на оплату (invoiceUrl), которая немедленно отправляется пользователю в Telegram.
Воркфлоу 2: Обработка и Валидация Платежа
Этот воркфлоу активируется через Webhook после успешной оплаты клиентом.
Парсинг Данных: Первый узел Code оказался критически важным для "распаковки" данных, так как WayForPay отправлял вебхук в неожиданном формате x-www-form-urlencoded.
Проверка Безопасности: Цепочка Crypto -> IF выполняет важнейшую функцию — воспроизводит HMAC-MD5 подпись из полученных данных и сравнивает ее с подписью от WayForPay. Процесс продолжается только при полном совпадении и статусе Approved.
Обновление Системы: В случае успешной валидации, нода Google Sheets обновляет статус подписки пользователя, устанавливает новую дату окончания и сбрасывает счетчики использования. Пользователь получает мгновенное уведомление в Telegram.
Завершение Транзакции: Финальная цепочка узлов генерирует еще одну подпись и отправляет через Respond to Webhook корректный ответ для WayForPay, подтверждая успешное получение вебхука.
Результат:
Успешно разработана и внедрена автономная платежная система, которая полностью автоматизировала процесс управления подписками в Telegram-боте. Клиент получил надежный и безопасный воркфлоу, который работает 24/7 и гарантирует:
Надежную интеграцию со сложным API платежного сервиса WayForPay.
Полную безопасность благодаря криптографической валидации каждого запроса.
Мгновенную активацию подписок и уведомления пользователей без какого-либо ручного вмешательства.
Стабильную работу благодаря разделенной архитектуре и корректной обработке ответов.
#n8n #WayForPay #APIIntegration #WorkflowAutomation #Telegram #JavaScript #PaymentGateway #Webhook #HMAC #GoogleSheets #SubscriptionAutomation #BusinessAutomation #Автоматизация #ПлатежныйШлюз
-
4434 UAH Система умного распределения лидов для CRM на базе n8n
Базы данных и SQL
Мета:
Создать полностью автономную систему для распределения входящих лидов между двумя разными CRM-системами (кампаниями) по сложным бизнес-правилам. Ключевые требования включали: динамическое управление дневными лимитами для каждой кампании, обработку лидов исключительно в определенные рабочие часы, последовательную отправку с случайной задержкой и разработку надежной системы дедупликации для предотвращения повторных контактов.
Мой Вклад:
… Проект начался с вызова: существующий процесс обработки лидов был неэффективным, не поддерживал распределение по квотам и приводил к отправке дубликатов, что снижало качество работы менеджеров.
Мой вклад заключался в полном переосмыслении и разработке "с нуля" новой, надежной архитектуры на self-hosted n8n. Я перешел от простой линейной логики к более продвинутой архитектуре "пакетной обработки", что позволило значительно повысить производительность и надежность системы.
Решение:
Финальное решение — это единый, оптимизированный рабочий процесс в n8n, сердцем которого является кастомный Code узел на JavaScript. Этот "мозг" системы выполняет всю аналитическую работу за один проход:
Загружает контекст: Делает единственный эффективный API-запрос к Google Sheets для получения всей исторической информации, избегая превышения лимитов API.
Выполняет дедупликацию: Идентифицирует и отфильтровывает новые лиды, email которых уже были успешно обработаны ранее.
Распределяет по лимитам: Динамически присваивает каждому уникальному лиду кампанию (Campaign A или Campaign B), отслеживая дневные квоты.
После аналитического блока включается цикл (Loop Over Items), который обеспечивает последовательную, индивидуальную обработку каждого лида с реализацией случайной задержки перед финальной отправкой через HTTP Request.
Результат:
Успешно разработана и внедрена автономная система, которая полностью автоматизировала процесс распределения лидов. Клиент получил надежный воркфлоу, который работает 24/7 и гарантирует:
- Четкое соблюдение дневных квот для каждой кампании.
- Полное устранение дубликатов.
- Оптимальная нагрузка на API внешних сервисов.
#n8n #JavaScript #WorkflowAutomation #BusinessLogic #APIIntegration #GoogleSheets #CRM #Automation #NoCode #LeadDistribution #Debugging #WorkflowArchitecture #BusinessAutomation #Автоматизация
-
4200 UAH Персональный телеграм-ассистент для управления завда-ми в Trello
Разработка ботов
Мета:
Разработать интеллектуального Telegram-ассистента, который полностью берет на себя рутину управления задачами в Trello. Ключевые требования: создание "единого окна" в Telegram для быстрой постановки задач, получения проактивных напоминаний и возможности взаимодействия с таск-менеджером с помощью естественного языка, минимизируя необходимость открывать Trello.
Мой Вклад:
… Главный вызов в этом проекте — это не технические ограничения API, а человеческий фактор: постоянное "переключение контекста" между мессенджером, где происходит коммуникация, и таск-менеджером, что крадет время и концентрацию.
Мой вклад заключался в разработке комплексной двусторонней системы на базе self-hosted n8n, которая превращает Telegram в полноценный командный центр для Trello:
Интеллектуальная обработка входящих команд: Я разработал рабочий процесс, который слушает сообщения в Telegram и с помощью логического узла Switch мгновенно определяет намерение пользователя:
Простая задача: Если сообщение является стандартной задачей, оно немедленно отправляется через API в Trello для создания новой карточки в определенном списке. Пользователь получает мгновенное подтверждение.
Сложный запрос: Если команда требует анализа или генерации ответа (например, "подсуммируй мои задачи на сегодня"), запрос передается модели OpenAI (ChatGPT) для обработки, после чего структурированный ответ отправляется пользователю.
Проактивная система напоминаний: Был создан второй, независимый процесс, который работает по расписанию (Schedule Trigger). Он автоматически:
Раз в день подключается к Trello и собирает все карточки из определенного списка (например, "Сегодня").
Проверяет, есть ли в этом списке задачи.
Если задачи есть, он формирует сжатый отчет и отправляет его в Telegram как утреннее напоминание. Это гарантирует, что ни одна важная задача не будет пропущена.
Результат:
Успешно запущен персональный ассистент, который работает 24/7 и значительно повышает личную продуктивность. Решение полностью снимает необходимость вручную переносить задачи из чатов в Trello и постоянно проверять доску.
Клиент получил:
Экономию времени: Десятки рутинных операций теперь выполняются одной командой в Telegram.
Повышение фокуса: Снижение количества переключений между приложениями позволяет лучше концентрироваться на выполнении задач.
Надежный контроль: Автоматические ежедневные сводки не дают забыть о приоритетах.
Финальная архитектура, построенная на n8n, является чрезвычайно гибкой: можно легко добавить новые команды, интегрировать другие сервисы (например, Google Calendar) или изменить логику напоминаний без перестройки всей системы.
#n8n #Trello #Telegram #TelegramBot #Automation #NoCode #WorkflowAutomation #API #APIIntegration #OpenAI #ChatGPT #Productivity #TaskManagement #Автоматизация #ЧатБот
-
4000 UAH Мульти-канальная система мониторинга тендеров
AI и машинное обучение
Мета:
Создать единый, полностью автоматизированный поток уведомлений в Telegram, который агрегирует релевантные тендеры и проекты из двух абсолютно разных источников: украинского государственного портала Prozorro и международного API Всемирного банка.
Ключевые требования:
…
Параллельная обработка: Одновременный мониторинг национальных и международных источников.
Трансформация данных: Преобразование сложных и разнородных данных в единый, стандартизированный формат.
Мгновенные уведомления: Оперативная доставка отформатированных отчетов в Telegram.
Масштабируемость: Архитектура, готовая к легкому подключению новых API в будущем.
Мой Вклад:
Проект начался с вызова: информация о релевантных тендерах была разбросана по изолированным государственным и международным порталам, каждый из которых имел уникальную структуру API, формат данных и правила доступа. Прямая агрегация была невозможна без комплексной обработки.
Мой вклад заключался в проектировании и разработке "с нуля" единой архитектуры на self-hosted n8n, которая объединила эти разнородные потоки данных в один мощный инструмент.
Анализ и интеграция разнородных API: Я провел глубокий анализ двух абсолютно разных API — Prozorro и World Bank. Это включало изучение документации, определение правильных эндпоинтов, параметров запроса и, что самое важное, — структуры их ответов.
Трансформация сложных данных: API Всемирного банка возвращало данные в крайне нетипичной структуре (объект объектов вместо массива). Для решения этой проблемы я написал кастомный скрипт на JavaScript в узле Code, который парсил эту структуру, нормализовал ее и преобразовывал в стандартизированный формат, готовый к дальнейшей обработке.
Построение параллельного воркфлоу: Я разработал единый рабочий процесс, который запускается по расписанию и выполняет две параллельные ветки для каждого источника. Система управляет полным циклом:
Автоматическое получение списков тендеров и проектов.
Итеративная обработка: Получение детальной информации для каждой записи отдельно.
Динамическое форматирование данных в читабельные сообщения с помощью узла Code.
Объединение потоков через узел Merge для создания единой очереди уведомлений.
Результат:
Создан полностью автономный "радар" для отслеживания тендеров, работающий 24/7.
Единый информационный канал: Клиент получает уведомления из украинских и международных источников в одном Telegram-чате.
Экономия времени: Система полностью автоматизирует ручной процесс мониторинга нескольких сайтов.
Высокая масштабируемость: Архитектура с параллельными ветками и узлом Merge позволяет легко добавлять новые источники (например, TED, UNGM) без необходимости перестраивать всю логику.
Надежность: Решение работает на собственном экземпляре n8n, что гарантирует полный контроль, безопасность и отсутствие сторонних ограничений.
#n8n #API #APIIntegration #Automation #Prozorro #WorldBank #Telegram #TelegramBot #NoCode #JavaScript #WorkflowAutomation #DataParsing #BusinessAutomation #Автоматизация #ЧатБот
-
25 000 UAH Проект: AI-ассистент для анализа командных встреч
AI и машинное обучение
Мета:
Создать комплексную AI-систему для автоматической обработки аудиозаписей командных встреч. Ключевые требования — преобразование неструктурированных разговоров в структурированные, готовые к анализу данные; создание многоуровневых саммари для различных ролей (Owner, Team Lead, BizDev); и разработка интерактивного AI-ассистента для мгновенного доступа к корпоративной базе знаний через Telegram.
Мой Вклад:
… Проект начался с вызова: ключевая информация компании — решения, проблемы и задачи — была "заперта" внутри часовых аудиофайлов. Это делало ее поиск и анализ практически невозможным, заставляя сотрудников тратить время на повторное прослушивание.
Мой вклад заключался в проектировании и разработке "с нуля" целостной, многокомпонентной архитектуры на self-hosted n8n, которая преобразовала пассивные аудиозаписи в активный и интеллектуальный ресурс.
Я стратегически выбрал стек PostgreSQL + Supabase, что позволило объединить надежность реляционной базы данных для структурированных отчетов с мощностью векторного хранилища для семантического AI-поиска.
Система состоит из трех взаимосвязанных рабочих процессов (workflows), которые обеспечивают полный цикл жизни данных:
Воркфлоу №1 ("Фабрика Данных"): Этот процесс служит фундаментом всей системы. Он автоматически принимает аудиозаписи, интегрируется с сервисом транскрипции, а затем с помощью OpenAI генерирует уникальные, кастомизированные саммари для каждой роли. Финальные данные структурируются и хранятся одновременно в PostgreSQL и векторизуются для Supabase.
Воркфлоу №2 ("Синтезатор Аналитики"): Работая по расписанию, этот воркфлоу агрегирует ежедневные саммари из PostgreSQL, повторно использует AI для создания концентрированного стратегического отчета за неделю для владельца, и автоматически рассылает персонализированные сводки ключевым сотрудникам (Team Lead, BizDev) в Telegram.
Воркфлоу №3 ("Интерактивный AI-ассистент"): Венец системы — Telegram-бот, который служит единой точкой доступа к базе знаний. Я реализовал:
Разграничение доступа: Бот идентифицирует пользователя и его роль через базу данных, открывая соответствующие функции.
Команды для администраторов: Возможность по запросу генерировать отчеты, запуская Воркфлоу №2.
RAG-пайплайн (Retrieval-Augmented Generation): Полноценный механизм ответов на вопросы. Бот преобразует запрос пользователя в вектор, находит релевантную информацию в Supabase, готовит контекст и генерирует точный ответ с помощью OpenAI.
Результат:
Успешно разработан и внедрен автономный корпоративный "второй мозг", работающий 24/7. Клиент получил систему, которая преобразует разговоры в структурированные активы, экономит десятки часов рабочего времени и позволяет принимать решения на основе данных, а не воспоминаний.
Архитектура является полностью масштабируемой: добавление новых ролей, типов отчетов или источников данных не требует перестройки системы. Решение обеспечивает мгновенный и безопасный доступ к информации, гарантируя, что каждый сотрудник видит только те данные, которые ему предназначены.
#n8n #PostgreSQL #Supabase #pgvector #OpenAI #Telegram #TelegramBot #Automation #NoCode #API #APIIntegration #RAG #LLM #AIassistant #WorkflowAutomation #BusinessAutomation #Автоматизация #ЧатБот
Отзывы и комплименты о выполненных проектах 11
15 января
10 000 UAH
Таблицы, боты, автоматизация
Качество
Профессионализм
Стоимость
Контактность
Сроки
Все выполнено быстро и профессионально
|
27 октября 2025
5000 UAH
Телеграм бот + google sheets
Качество
Профессионализм
Стоимость
Контактность
Сроки
Рекомендую Михаила как специалиста высокого уровня, глубокое погружение в детали, понимание процессов, структурированный подход и быстрая коммуникация. Спасибо за работу!
Євген Глазунов
| Персональный | Ответный отзыв
17 октября 2025
1220 UAH
Исправить ошибки в n8n сценариях и Supabase.
Качество
Профессионализм
Стоимость
Контактность
Сроки
Проект выполнен. Рекомендую для сотрудничества. Спасибо
15 октября 2025
1500 UAH
Настройка сценария в make.com - Интеграция Google Sheets, OpenAI и CRM
Качество
Профессионализм
Стоимость
Контактность
Сроки
Отлично разбирается в Make.com, быстро понял, что именно нужно реализовать. Сценарии были настроены аккуратно, логично и без ошибок. Все процессы теперь работают автоматически, экономя кучу времени. Особенно понравилось, что фрилансер всегда был на связи, подробно объяснял каждый шаг. Рекомендую как профессионального, ответственного и приятного в общении специалиста!
Дмитрий Спецпром
| Персональный | Ответный отзыв
31 июля 2025
10 000 UAH
Интеграция Notion и Airtable
Качество
Профессионализм
Стоимость
Контактность
Сроки
Задача была выполнена. Спасибо за работу
Никита Бутенко
| Персональный | Ответный отзыв
24 июня 2025
4200 UAH
Бот ТГ для парсеру даних клієнта та взаємодія з АРІ Нова пошта для отримання ТТН
Качество
Профессионализм
Стоимость
Контактность
Сроки
Выбирая Михайла, вы выбираете качество и индивидуальный подход. Именно Михайло подошёл к задаче решительно и подробно. Провёл хороший митинг, чтобы выяснить все боли процесса, предложил лучшие решения, чем начальная концепция. Помог эффективно сэкономить средства на сервисы и подписки. И главное — автоматизировал процессы, которые занимали в 20 раз больше времени ручной работы. Намечили сотрудничество дальше по расширению автоматизации на другие процессы. Финальный гайд по выполненной работе, инструкции по использованию, дальнейшая поддержка — всё это осталось приятным бонусом! Рекомендую всем и каждому, кто хочет, чтобы бизнес был эффективным.
7 июня 2025
700 UAH
Аудит системы на базе Trello/Zapier/Make
Качество
Профессионализм
Стоимость
Контактность
Сроки
Михаил отлично справился с задачей аудита нашей технической системы. Подход был очень структурированный: он быстро вник в суть, выявил ключевые проблемные места и предложил понятный и реалистичный план их устранения. Всё было представлено четко, с приоритетами и рекомендациями по следующими шагам. Рекомендую для любых задач, связанных с оптимизацией процессов.
Филипп Лысак
| Персональный | Ответный отзыв
28 мая 2025
700 UAH
Настройка Make.com для Сохранения Данных и Базовой Логики
Качество
Профессионализм
Стоимость
Контактность
Сроки
Спасибо Михаилу за выполненный проект. Сэкономил очень значительную сумму денег. Очень рекомендую к сотрудничеству.
Максим Гетьманский
| Персональный | Ответный отзыв
23 мая 2025
5000 UAH
Разработка Телеграм бота (воронки продаж)
Качество
Профессионализм
Стоимость
Контактность
Сроки
Очень приятно работать было с Михаилом
Он все четко выполнил по всем задачам которые были необходимы и дополнительно проводил консультации и старался максимально мне помочь
Буду рекомендовать его всем своим знакомым у которых появится такие задачи
23 мая 2025
3000 UAH
Часть 1.1: Настройка Manychat и Базового Сбора Данных
Качество
Профессионализм
Стоимость
Контактность
Сроки
Все быстро и по ТЗ. Буду рекомендовать
Максим Гетьманский
| Персональный | Ответный отзыв
29 апреля 2025
702 UAH
Консультация по телеграм боту
Качество
Профессионализм
Стоимость
Контактность
Сроки
Очень крутой специалист
Без воды все четко рассказал
Активность
| Последние ставки 10 | Бюджет | Добавлена | Сроки | Ставка | |
|---|---|---|---|---|---|
|
AI-система мониторинга и аналитики тендеров Prozorro + Telegram Bot
25 000 UAH
|
|||||
|
Манчэт
10 000 UAH
|
|||||
|
Небходимо автомотизировать процесс через API
20 664 UAH
|
|||||
|
Автоматическое сборка презентаций из отчетов (Google Docs → Google Slides)
14 000 UAH
|
|||||
|
Ии агент по сбору информации
10 000 UAH
|
|||||
|
Интеграция Binotel с Telegram через n8n: уведомления о новых номерах (номера которых нет в базе)
7500 UAH
|
|||||
|
АИ-автоматизация
1200 UAH
|
|||||
|
Интеграция AI-аналитики звонков (amoCRM + телефония)
27 000 UAH
|
|||||
|
Создание AI бота, который поможет в поиске первичной документации с контрагентами/клиентами компании
10 000 UAH
|
|||||
|
Бот для генерации видео и из фото
9000 UAH
|