Особенности подготовки данных для создания моделей машинного обучения

Ищу опытного специалиста по Chatterfly.ai для настройки полноценной автоматизированной воронки продаж в Telegram в трейдинг-тематике. Что нужно сделать: Настроить Chatterfly.ai с нуля. Подключить Telegram-бота. Создать AI-ассистента, который будет автоматически общаться с пользователями, отвечать на вопросы и доводить их до регистрации. Настроить воронку продаж с разделением пользователей по этапам. Интегрировать систему с брокеромPocket Option. Настроить передачу и проверку ID пользователя, постбеков и статусов регистрации/депозита (при наличии API или других способов интеграции). Настроить автоматические сообщения, триггеры, теги и сценарии общения. При необходимости помочь с интеграцией CRM и других сервисов. Важно: Обязателен реальный опыт работы с Chatterfly.ai. Желателен опыт интеграции с Telegram и Pocket Option. Нужно не просто настроить сервис, а помочь построить рабочую систему, которая будет автоматически вести клиентов и повышать конверсию. Результат работы: Полностью настроенная и протестированная воронка, где пользователь проходит путь от первого сообщения до регистрации у брокера, а AI автоматически сопровождает его на всех этапах. Также необходима краткая инструкция по дальнейшему использованию системы.

Ищем специалиста для создания одной реалистичной AI-модели / AI-персонажа и подготовки пакета контента для социальных сетей. Задача - разработать визуально качественный и консистентный образ, который можно использовать в фото и коротких видеоформатах. Что нужно сделать: создать одну AI-модель с узнаваемой внешностью и единым стилем; подготовить небольшой пакет фото и коротких видео; адаптировать материалы для публикации в социальных сетях; обеспечить реалистичность и стабильность образа в разных сценах. В заявке, пожалуйста, укажите: имеете ли вы опыт создания AI-моделей / AI-персонажей; можете ли показать примеры похожих работ; ориентировочную стоимость и сроки выполнения; Детальное ТЗ обсудим с соответствующими кандидатами в личных сообщениях.

Добрый день! Необходимо выполнить две задачи: 1. Разработать парсер товаровсо стороннего сайта (10–40 тыс. позиций, маркетплейс) с сохранением структурированных данных в MySQL для последующего вывода в WordPress. 2. Установить и настроить n8n на VPS, а также организовать AI-обработку контента: настройку промптов, рерайт текстов, обработку изображений, SEO-оптимизацию и проверку текстов на AI-детекцию. Можно оценить стоимость выполнения как всего проекта, так и каждой задачи отдельно. .

Задача: один дашборд со всеми показателями бизнеса — реклама, воронка, оплаты, работа менеджеров, планирование выручки. Данные подтягиваются по API автоматически. Периметр: только направление YCL (трудоустройство в Европе). В Kommo есть и другие направления — в хранилище попадают только сделки воронок YCL (фильтр по воронке/тегу согласуем).1. Источники данных (интеграции) Kommo CRM — лиды, сделки, этапы воронки, ответственные, источники, даты переходов между этапами (обязательно сохранять историю), причины отказов, кастомные поля сделки (см. п. 2). Stripe — платежи, суммы, статусы (успех/отказ/возврат), привязка к сделке. Meta Ads — расходы, показы, клики, CPL, лиды по кампаниям (работает сейчас). Google Ads, Reddit Ads, LinkedIn Ads — планируются; архитектура — расширяемые коннекторы без переработки ядра. SEO/органика— Google Search Console + GA4. Сквозная связь: источник трафика → лид в Kommo → оплата в Stripe (UTM, ID сделки в metadata Stripe — механику предложить). 2. Обязательные разрезы (поля сделки в Kommo) Каждая метрика должна фильтроваться/группироваться по: Гражданство клиента (Кения, Нигерия, Индия и т.д.). Статус проживания: живет в своей стране / экспат (уже находится в Европе). Это два разных сегмента с разным циклом, конверсией и чеком. Страна размещения / услуга: Польша, Сербия, Словакия, Германия (ZAV). Менеджер, команда, канал трафика, период. Если каких-то полей в Kommo нет — исполнитель указывает, какие поля нужно завести, заказчик добавляет.3. Воронка и опережающие показатели Данные в разрезе воронки, по каждому этапу — итоговые и опережающие (leading) метрики: Трафик → лид: лиды, CPL по каналам + динамика расходов/кликов день-до-дня. Лид → квалификация: конверсия + скорость первого ответа, касания/звонки на менеджера в день, лиды без ответа. Квалификация → договор/счет: конверсия + отправленные офферы, зависшие сделки (дней на этапе более нормы). Счет → оплата: оплаты, средний чек + неоплаченные счета, неудачные платежи. Итог: выручка, ROMI по каналам, run rate до плана месяца. 4. Цикл сделки Средний и медианный цикл лид → оплата (ориентир бизнеса ~4 недели), тренд цикла во времени. Разложение цикла по этапам (сколько дней сделка сидит на каждом этапе) — чтобы видеть, какой именно этап растягивается. Список сделок, что зависли на этапе дольше нормы. Разрез цикла по сегментам: гражданство, статус проживания, страна размещения, менеджер. 5. Раннее предупреждение просадки (ключевой блок) Поскольку цикл ~4 недели, сегодняшние лиды = оплаты через месяц. Система должна: Сравнивать лиды/квалификации текущей недели с скользящим средним (4 недели) и при отклонении вниз выдавать алерт: «лидов −X%, при цикле 4 недели ожидайте просадку оплат в неделю [даты]». Строить прогноз оплат на 4 недели вперед из текущего пайплайна: сделки на каждом этапе × историческая конверсия этапа × остаток цикла. Подсвечивать красным недели, где прогноз ниже плана, — с запасом времени на реакцию. 6. Доплаты и планирование продаж В карточке сделки Kommo хранятся дата и сумма запланированной доплаты. Система должна: Собирать календарь будущих доплат: тотал ожидаемых, по неделям/месяцам. Подсвечивать просроченные доплаты (дата прошла, оплат в Stripe нет) — отдельный список для доталкивания. Считать план месяца как: план − уже оплачено − доплаты по графику = сколько нужно новых продаж (в деньгах и в штуках сделок за средним чеком). График по неделям: доплаты + прогноз новых оплат против недельного плана. 7. Работа менеджеров Дневной срез по каждому менеджеру: касания/звонки, разговоры, отправленные офферы, оплаты — по каждому дню отдельно, с графиком за период. Прогресс выполнения личного плана с сравнением с темпом месяца (впереди / в темпе / отстает). Бенчмаркинг с коллегами. 8. Визуализация и роли «Светофоры» (зеленый/желтый/красный) в ключевых метриках относительно норм/плана; шкалы прогресса; графики трендов; адаптив под мобильный. Роли: CEO — все; РОП — вся воронка и менеджеры; тимлид — своя команда; менеджер — свои показатели и позиция относительно коллег. 9. Отчеты и AI Автоматические отчеты по расписанию (ежедневное сведение, недельный отчет) в дашборд и/или мессенджер. Запросы в свободной форме («как изменился CPL с Meta за 2 недели?») — LLM поверх хранилища. Алерты по красной зоне и по правилам из п. 5–6. 10. Технические ожидания и этапность Хранилище (PostgreSQL/BigQuery или аналог) + ETL: webhooks Kommo + периодическая синхронизация (15–60 мин). Фронтенд: кастомный или BI-инструмент — предложить с обоснованием; требования к ролям, светофорам, прогнозу и AI-запросам должны быть реализуемыми. Этапы: (1) аудит и карта метрик → (2) MVP: Kommo + Stripe + Meta, воронка, светофоры, роли → (3) цикл сделки, раннее предупреждение, доплаты и план → (4) SEO, AI-отчеты, алерты → (5) новые рекламные каналы. Оплата поэтапная, по каждому этапу — демо. В отзыве указать: похожие проекты (сквозная аналитика), стек с обоснованием, оценку сроков и стоимости по этапам, ежемесячную стоимость владения (хостинг, токены, лицензии).

Задача: развернуть LLM-сервис, который знает всю документацию компании и отвечает на вопросы менеджеров отдела продаж. Что есть сейчас: заказчик собирал прототип самостоятельно (отдельный проект с загруженной информацией о компании, размещенный на сервере), но информация из базы не передается в модель — вероятно, проблема с API. Код и доступы предоставим. Первый шаг — аудит: починить существующее или аргументированно собрать с нуля. Необходимый функционал: Загрузка всей документации компании: описание каждой услуги, регламенты, FAQ, ценообразование (все материалы предоставим). Ответы строго на основе загруженных документов (RAG). Модель не выдумывает фактов; если ответов в базе нет — честно об этом сообщает. Доступ для менеджеров по ссылке (веб-интерфейс), с авторизацией. Сценарии: менеджер задает любой вопрос о работе компании; вставляет вопрос клиента «как есть» и получает готовый ответ для отправки; находит нужный регламент/отчет по запросу. Обновление базы знаний без разработчика (загрузка файлов через интерфейс или подключенную папку). Английский язык. История запросов для контроля качества. Технические ожидания: LLM через API (Claude/OpenAI — предложить с расчетом стоимости токенов), RAG-пайплайн (векторная база, embeddings), хостинг на нашем сервере или в облаке, HTTPS. Архитектура должна позволять в будущем подключить ассистента к аналитическому хранилищу данных (параллельный проект). В отзыве указать: примеры похожих RAG-проектов, стек, срок, стоимость работы и ориентировочную ежемесячную стоимость владения (токены + хостинг).