Бюджет: 1000 USD Срок: 14 дней
Здравствуйте.
Я разработчик NodeJS. Имею опыт работы с OpenAI API. Пожалуйста, напишите мне.
Мы стартап, финансируемый собственными средствами, и ищем специалиста по данным в области машинного обучения, который поможет с MVP для нашего проекта по созданию MVP на основе машинного обучения для стратификации перименопаузальных/постменопаузальных женщин по гормональному фенотипу и генерации рекомендаций по гормональному лечению на основе данных, используя исторический набор данных (мы предоставим исторические файлы). Вот предложенный объем работ:
Объем работ:
Подготовка данных (1–2 дня):
Очистка CSV, заполнение пропущенных значений, нормализация, кодирование признаков.
Инженерия признаков (1 день):
Выбор ключевых биомаркеров/симптомов, создание векторов признаков.
Кластеризация (2–3 дня):
Запуск K-Means, DBSCAN, иерархической кластеризации; оценка оптимальных кластеров.
Анализ кластеров (1–2 дня):
Профилирование кластеров, определение гормональных фенотипов.
Экспорт в БД (1 день):
Добавление меток кластеров, форматирование и загрузка в БД.
Сопоставление рекомендаций (2–3 дня):
Связывание кластеров с рекомендациями по заместительной гормональной терапии, используя литературу или контролируемые модели (логика на основе правил или контролируемая модель машинного обучения (для рекомендаций).
Инфраструктура вывода: Ввод данных пациента → назначение к кластеру → генерация предложения по ЗГТ (через правила или модель).
Отчетность (1 день):
Документирование процесса, создание простой демонстрации/панели управления.
Пожалуйста, отправьте вашу смету и сроки.
Спасибо!
Проект будет разбит на несколько меньших под-проектов, первый из которых будет сбор и подготовка данных для анализа.
Пожалуйста, укажите вашу цену за агрегацию файлов (10 файлов с данными пациентов и связывание их по идентификатору пациента (SWANID) только для пациентов, которые имели 2 и более визитов)?
Я прикрепляю образец файла с более подробной информацией. Есть 10 таких файлов за 10 лет, которые необходимо агрегировать по SWANID.
Пожалуйста, дайте мне знать вашу цену и сроки для агрегации файлов в один набор данных и подготовки к обработке данных (очистка и т.д.).
Спасибо!
Ольга
Описание переменных, необходимых для набора данных
Войдите или зарегистрируйтесь, чтобы увидеть оригиналБюджет: 1000 USD Срок: 14 дней
Здравствуйте.
Я разработчик NodeJS. Имею опыт работы с OpenAI API. Пожалуйста, напишите мне.
Бюджет: 1000 USD Срок: 20 дней
Здравствуйте
Я инженер по машинному обучению на полную ставку
У меня есть опыт как в классическом машинном обучении, так и в глубоком обучении
Я могу поделиться профилем в LinkedIn в личном сообщении
Ваш срок составляет 13 дней, я постараюсь сделать все возможное, чтобы уложиться в него, но хочу взять еще несколько дней на случай возникновения каких-либо трудностей
Бюджет: 1000 USD Срок: 10 дней
Привет, Ольга
Я разработчик, специализирующийся на ML/DL. Готов взяться за ваш проект. Напишите мне, и мы обсудим это.
Бюджет: 1500 USD Срок: 10 дней
Здравствуйте Меня зовут Джавид, я работаю с проектами на базе машинного обучения и могу помочь вам с реализацией MVP для стратификации и рекомендаций по ЗГТ на основе исторических данных.
По вашему объему задач:
– Подготовка данных
– Построение признаков
– Кластеризация с отбором моделей
– Анализ результатов и профилирование
– Генерация рекомендаций (на основе логики или ML)
– Интеграция в инфраструктуру (назначение кластера и вывод)
– Отчёт и демонстрация
Готов взяться за работу, весь объём оцениваю ориентировочно в 8–10 рабочих дней. Работаю по ставке $30/час. Примерный бюджет — от $1500, в зависимости от деталей и сложности структуры данных.
Если подход вам интересен — напишите, подключусь и начнём с оценки датасета.
Бюджет: 1000 USD Срок: 30 дней
Здравствуйте,
Я специализируюсь на создании скриптов для автоматизации задач обработки данных.
Я буду рад ознакомиться с деталями проекта и обсудить, как я могу вам помочь.
С наилучшими пожеланиями,
Олександр
Необходимо разработать сервис на базе Claude или другой подходящей AI-модели, который сможет автоматически находить компании-конкурентов, связываться с ними по электронной почте и телефону, собирать необходимую информацию и заносить результаты в единую таблицу. Основная задача сервиса Пользователь задаёт конкретный запрос, например: - узнать стоимость определённого вида мяса; - узнать цену на конкретный вид древесины; - уточнить стоимость товара или услуги; - проверить наличие продукта; - узнать сроки выполнения заказа; - получить условия сотрудничества. После этого система должна: 1. Найти подходящие компании. 2. Собрать их контактные данные. 3. Отправить им персонализированные письма. 4. Позвонить компаниям с помощью AI-бота. 5. Получить ответы на заданные вопросы. 6. Сохранить все результаты в Google Sheets или другую таблицу. Под каждую новую задачу пользователь должен иметь возможность менять поисковые запросы, критерии отбора, текст письма и сценарий телефонного разговора. Этап 1. Сбор базы компаний Этап 2. Email-рассылка и сбор ответов Этап 3. AI-обзвон компаний --- Важные технические требования - Возможность использовать Claude для генерации писем, анализа ответов и управления диалогом. - Возможность заменить AI-модель без полной переработки системы. - Интеграция с Google Sheets. - Интеграция с Gmail или другим почтовым сервисом. - Интеграция с сервисом AI-телефонии. - История всех писем, звонков и изменений. - Возможность остановить или поставить задание на паузу. - Контроль расходов на звонки, письма и AI-запросы. - Ограничение количества звонков в день. - Защита от повторной отправки писем и повторных звонков одной компании. - Соблюдение законодательства о телефонных звонках, записи разговоров, email-рассылках и использовании персональных данных. --- Ожидаемый результат В результате должен получиться сервис, в котором пользователь создаёт задание, указывает, какую информацию необходимо узнать, выбирает географию и источники, после чего система самостоятельно: 1. Собирает базу компаний. 2. Находит контактные данные. 3. Отправляет персонализированные письма. 4. Обзванивает компании по заданному сценарию. 5. Анализирует ответы. 6. Формирует единую таблицу с результатами. 7. Показывает, из какого источника была получена каждая информация.Для первого обсуждения с разработчиком также стоит попросить отдельно оценить стоимость и сроки MVP, автоматического парсинга, AI-телефонии и ежемесячной инфраструктуры.
Всем привет! Сейчас на рынке очень много селлеров, которые продают токены claude через прокси Мне необходимо протестировать разных селлеров и понять, какое API работает наиболее исправно для кодинга claude code Нужно будет авторизовываться через терминал в claude code и смотреть на стабильность работы API (прогонять под нагрузкой) и найти наиболее оптимальный Кто сейчас может взять в работу?
Ищу исполнителя для построения системы AI-агентов, которая автоматизирует маркетинговый и продажный конвейер: от генерации контента до сегментации лидов в CRM и аналитики гипотез. Ниже - задачи, сгруппированные по функциональному назначению. Сколько именно сервисов/агентов будет в итоговой архитектуре и на каком стеке - решаете вы, исходя из собственного опыта. Главное, чтобы решение покрывало все задачи ниже, было рабочим, поддерживаемым, масштабируемым и обязательно имело удобный механизм ревью/утверждения результатов человеком перед публикацией или запуском рекламы. Блок 1. Генерация контента (мультиканальный копирайтинг)Один или несколько генерирующих модулей, которые выдают тексты под разные форматы на основе материалов проекта (программы курсов, интервью, эфиры): Тексты лендингов Email-последовательности: прогревочные цепочки, рассылки Посты в Telegram-бот/канал Рекламные тексты для Meta, включая варианты под разные гипотезы Контент-план и посты для Facebook / Instagram / Telegram Статьи для блога (в том числе на основе транскрибированных видео — см. Блок 3)Блок 2. Производство финальных материаловПреобразование готового текста в конечный артефакт, готовый к публикации: Лидмагниты — верстка и сборка готового PDF (чек-листы, гайды) с интеграцией Canva/Figma для редактирования Рекламные креативы Meta — статические визуалы с ресайзами под форматы кампаний Лендинги на Framer — структура страницы, наполнение CMS, сборка готовой страницы под запуск.Блок 3. Видео → блог Транскрибация видео (эфиры, интервью, воркшопы) Нарезка транскрипта на статьи, которые ведут в воронку Публикация в блог на основном сайте (блога сейчас нет — возможно, нужна блог-секция на Framer CMS; открытый вопрос: может ли ее создать сама система, или это отдельная задача)Блок 4. Интеграция с рекламным кабинетом Meta Выгрузка готовых текстов и креативов в кабинет Тегирование объявлений/кампаний по гипотезамБлок 5. CRM и лид-роутинг Автоматическая сегментация лидов в Telegram-боте (был/не был на мероприятии, ветка воронки, оффер) Передача сегментов в CRM Автотегирование новых лидов в CRM при попадании в воронку (через регистрацию)Блок 6. Аналитика гипотез Формирование таблицы/дашборда гипотез: затраты/результат по каждой воронке, лид-магниту, креативу. Периодический АИ-анализ с рекомендациями: что масштабировать, что остановить Оценка конверсийности лендинговЧто ожидаем в отклике Видение архитектуры — как бы вы разбили эти 6 блоков на агентов/сервисы, на каком стеке (оркестрация, генерация, хранение данных). Портфолио/кейсы — примеры подобных систем автоматизации (маркетинг, лиды, контент-генерация). Ориентировочная оценка сроков и стоимости, желательно поэтапно. Вопросы по ТЗ, если что-то непонятно.
Ищем опытного Python/AI-разработчика (или небольшую команду) для создания ИИ-сервиса на базе Telegram-бота. Проект автоматизирует приём заказов от мастеров и сервисных центров на действующем B2B-маркетплейсе запчастей для мобильной техники и электроники (каталог ~30 000 SKU). Что должен делать бот:Мультимодальный ввод:принимать текст, голосовые сообщения (Whisper API) и фото деталей/маркировок (GPT-4o Vision), распознавать номенклатуру, ревизии и парт-номера.Умный поиск:сопоставлять жаргон мастеров (аккум, АКБ, дисплей, ориг) с официальными названиями через векторный поиск (Vector DB).Интерактивный UI:при нескольких вариантах качества (Original, High Copy и т.д.) — группировать их в одно сообщение, выводить инлайн-чекбоксы с ценами и остатками, пересчитывать корзину «на лету».Каскадные уточнения (Slot Filling):при неоднозначном запросе пошагово уточнять параметры (модель → цвет → ревизия).Оформление:автоматически отправлять готовый JSON-пакет заказа на сайт через API после подтверждения корзины.Стек:Python (FastAPI), Aiogram 3.x, OpenAI API (GPT-4o + Whisper), Qdrant, Docker + docker-compose. Срок реализации:5–7 недель.⚠️ Обязательное условие для отклика: Чтобы отсечь авто-отклики спам-ботов, укажите в сообщении: какую модель эмбеддингов (Embeddings) вы выберете для векторного семантического поиска по 30 000 технических SKU и почему? Отклики с шаблонным текстом без ответа на этот вопрос отклоняются автоматически.
Ищем специалиста или команду для внедрения AI-решений в коммуникацию медицинского центра КТ и МРТ. Необходимо: интегрировать AI в телефонию для обработки входящих и холодных звонков; обеспечить естественное украиноязычное общение с минимальными паузами; интегрировать AI-ассистента в чат Binotel или предложить эффективную альтернативу; автоматизировать ответы на вопросы, первичную консультацию и запись на обследование. Важно: сфера медицины требует точного сбора информации перед КТ или МРТ, в частности относительно зоны обследования, подготовки, направления и возможных противопоказаний. Решение должно быть эмпатичным, профессиональным и предусматривать передачу сложных случаев оператору. В отзыве прошу отправить релевантные кейсы, описание предложенного решения и ориентировочные сроки. Опыт в медицинских проектах будет преимуществом.