Написание магистерской работы по машинному обучению

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?

Хочу бот готовый если есть решение - пишите новички - просьба не беспокоить только опытные, те кто справлялся и знает спасибо.

Ищем специалиста по LLM, RAG и prompt engineering для аудита и улучшения уже созданного ИИ-ассистента операторов контакт-центра сети медицинских центров. Это не разработка с нуля. В настоящее время ассистент работает в среде ChatGPT и использует: собственную навык с инструкциями SKILL.md; базу знаний в Project Sources; структурированные Markdown-файлы, автоматически сформированные из CSV-выгрузок медицинской информационной системы; отдельные индексы цен, исполнителей, подразделений, пакетов, оборудования и рекомендованных комбинаций услуг. База содержит примерно: 2 700+ медицинских услуг; 90+ пакетов и комплексов; 300+ рекомендованных комбинаций; 600+ хирургических вмешательств; цены по различным подразделениям; исполнителей, адреса, подготовку, оборудование и другую справочную информацию.Что должен делать ассистент По запросу оператора ассистент должен быстро предоставлять проверенный ответ: предоставляется ли нужная услуга; точный код, название и цена; в каких подразделениях она доступна; кто из врачей или других специалистов ее выполняет; как подготовиться; какой пакет или комплекс выгоднее предложить; какие сопутствующие услуги целесообразно предложить; какая последовательность комплексного записи; какие есть более дешевые или альтернативные варианты; для операций — отдельно базовую цену и ориентировочную общую стоимость случая хирургического лечения. Ассистент не должен выдумывать цены, исполнителей, подготовку, медицинские показания или переносить информацию между похожими услугами.Наличие проблем Система уже работает, но требует повышения стабильности поиска и качества ответов. В частности: модель иногда находит основную услугу, но пропускает рекомендованные комбинации; не всегда извлекает отдельные поля из больших Markdown-файлов; может находить базовую цену операции, но пропускать общую стоимость хирургического случая; результаты зависят от структуры и размера файлов в Project Sources; необходимо оптимизировать индексы, маршрутизацию источников и правила поиска; необходимо обеспечить одинаково качественные ответы на короткие, неточные и разговорные запросы операторов. Например, простой запрос «холецистэктомия» должен сразу вернуть доступные варианты операции, коды, базовые цены, общую стоимость лечения, подразделения, исполнителей и связанные услуги.Задачи специалиста Провести аудит действующего SKILL.md, структуры базы знаний и логики поиска. Проанализировать причины пропуска данных во время retrieval. Предложить оптимальную архитектуру базы знаний для ChatGPT. Усовершенствовать или переписать SKILL.md. Оптимизировать структуру Markdown-файлов и компактных индексов. Настроить обязательный поиск: пакетов и комплексов; рекомендованных комбинаций; цен по подразделениям; исполнителей; стоимости случая хирургического лечения. Проверить генератор базы знаний из CSV-выгрузок и при необходимости усовершенствовать Python-скрипты. Создать набор контрольных запросов и критериев оценки ответов. Провести тестирование на реальных сценариях контакт-центра. Предоставить финальную документацию для дальнейшего обновления и поддержки системы.Ожидаемый результат Должны получить стабильного ассистента, который: отвечает на украинском языке; не пропускает критически важные данные; возвращает только информацию, подтвержденную базой знаний; правильно различает услуги, пакеты и рекомендованные комбинации; показывает код, название, цену, подразделение и исполнителя; для операций разделяет базовую цену и полную стоимость лечения; предлагает оператору конкретный сценарий дальнейшей записи пациента; стабильно работает после следующих обновлений CSV-выгрузок; работает относительно быстро.Требования к исполнителю Нужен специалист с практическим опытом: ChatGPT Projects, Custom GPT или ChatGPT Skills; LLM, RAG, retrieval и семантического поиска; prompt engineering; проектирования баз знаний для языковых моделей; Markdown, CSV, JSON/JSONL; Python для обработки и преобразования данных; тестирования качества ответов LLM. Будет преимуществом опыт с медицинскими информационными системами, контакт-центрами или большими каталогами услуг. Мы ищем не только автора промтов, а специалиста, который понимает ограничения поиска в больших источниках, фрагментацию контекста и способы построения надежных индексов.Что предоставить в предложении Просим кратко указать: Ваш опыт с ChatGPT, RAG или корпоративными базами знаний. Примеры похожих реализованных проектов. Как бы вы подошли к диагностике пропуска отдельных полей в больших файлах. Ориентировочные сроки и стоимость аудита и доработки. Готовы ли вы подписать соглашение о конфиденциальности. Персональные данные пациентов в рамках этого проекта не будут передаваться. Окончательная стоимость работ будет согласована после уточнения Технического Задания между Заказчиком и Исполнителем.

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.