Бюджет: 1000 EUR Срок: 7 дней
Здравствуйте.Есть опыт с Python.Готов к сотрудничеству.Обращайтесь
Цель:
Автоматически распознавать автомобильные номера с фотографий, полученных с RTSP-камеры, и фиксировать время первого и последнего появления каждого уникального номера.
Сценарий — автомобили заезжают в автосервис, нужно отследить, когда они впервые появились и когда уехали (последний раз были на фото).
Источник данных
Уже реализовано - можно использовать для окончательной версии программы:
Основные задачи
1. распознование номеров с фото
2. интеграция всех скриптов в единую программу
Технологии на данный момент
Можем рассмотреть любой ваш вариант или комбинацию - главное чтобы всё работало например n8n автоматизация (тогда потребуется установка n8n на VPS)
Инструменты для распознавания (исполнитель выбирает и настраивает)
Формат хранения результата
Пишите ваши возможности и стоимость решения - моя указанная стоимость не имеет значения так как буду выбирать из вариантов предложенных вами.
Бюджет: 1000 EUR Срок: 7 дней
Здравствуйте.Есть опыт с Python.Готов к сотрудничеству.Обращайтесь
Бюджет: 200 EUR Срок: 1 день
Приветствую!
Задача вполне реализуемая — ранее уже выполнял похожие проекты.
Готов помочь и выполнить всё быстро и качественно.
Имею большой опыт работы с Python, в том числе в задачах, связанных с распознаванием элементов по изображению.
Буду рад сотрудничеству!
Бюджет: 200 EUR Срок: 123 дня
Добрый день
Моя команда безусловно спрвится с такой задачей, но
Есть масса вопросов:
- примеры изображений
- очень важный аспект - под каким углом делается фото.
- данный сервис вы планируете для себя или хотите его продавать как решение? (это вот прям очень сильно повлияет на ценообразование)
- какое кооличество постов, моек?
- какие требования к бэку?
- какие функции у пользователя, администратора - вообще. какая то ролевая иерархия предусмотрена?
- что происходит, если номер считать не удалось на вьезде, а на выезде он виден (мойка, грязь, пар зимой и всякое такое)
Буду признателен за ответы на вопрос
так же предлагаю провести тех-мит с моим лидом - возможно (вернее - скорее всего) появится еще куча вопросов, которые мы сейчас с вами не видим
пишите пожалуйста в личку
Бюджет: 220 EUR Срок: 10 дней
Привет
Готов выполнить проект
Можете посмотреть отзыв с другого проекта по обнаружению объектов - распознавание дыма с камер
Бюджет: 200 EUR Срок: 4 дня
приветствую. вполне реализуемая задача уже похожее делал. могу помочь с этой задачей. сделаю все быстро и качественно. огромный опыт работы с пайтон и также опыт с распознованием элементов по изображению
Бюджет: 200 EUR Срок: 3 дня
Добрый день. Могу взять в реализацию Ваш проект. С машинным зрением и распознаванием объектов, работаю давно. В портфолио есть примеры. Буду рад сотрудничеству, обращайтесь.
Бюджет: 200 EUR Срок: 1 день
Добрый день
Могу сделать вашу работу на Python
Пишите буду рад вам выполнить вашу задаччу
Бюджет: 599 EUR Срок: 14 дней
Доброго времени суток
Такая задача только мне под силу, 5 лет опыта в анализе фото компьютерными средствами, понимаю все нюансы
Напишите мне
Бюджет: 190 EUR Срок: 5 дней
Тщательно ознакомился с вашим проектом — задача понятная и интересная. Готов сразу приступать к работе. Имею опыт реализации подобных систем движения и звука, а также автомобильных номеров, использую Python, OpenCV и нейронные сети для точного выделения и распознавания номеров на фото.
Бюджет: 198 EUR Срок: 5 дней
Привет! Очень интересный и практичный проект — у меня есть опыт распознавания номеров автомобилей и работы с RTSP-камерами.
Готов реализовать полностью автоматизированный скрипт, который будет:
– обрабатывать новые фото из папки,
– распознавать номера (EasyOCR / OpenALPR),
– фиксировать время первого и последнего появления,
– сохранять всё в CSV / Google Sheets / Airtable.
Уточните, пожалуйста:
– Какой формат хранения данных для вас наиболее удобен?
– Нужно запускать скрипт как службу для постоянной работы?
Бюджет: 200 EUR Срок: 7 дней
Привет!
Выполню качественно. Предложу варианты реализации. Покажу примеры.
Цена зависит от желаемой точности и других пожеланий в процессе обсуждения.
Бюджет: 220 EUR Срок: 7 дней
Добрый день, Вадим!
Готов реализовать для вас автоматизированную систему распознавания автомобильных номеров с RTSP-камеры, с учётом всех требований: фиксации времени первого и последнего появления, работы с изображениями из указанной папки, логирования, хранения данных и удобного экспорта.
Что будет реализовано:
✅ Обработка изображений
Мониторинг новой папки (/home/roo/cameras/program/camera1_photos)
Сохранение результатов в CSV
Возможность интеграции с Airtable или Google Sheets (по желанию)
✅ Распознавание номеров
Использую EasyOCR или OpenALPR — обе технологии хорошо зарекомендовали себя на авто-номерах, в т.ч. в уличных условиях.
Если потребуется — обёрну всё в Docker-контейнер для чистоты и разворачиваемости.
✅ Логика обновления записи
Один номер = одна строка
Обновляется last_seen, если машина уже была
Ведётся лог ошибок/пропусков (например, нечитабельное изображение)
✅ Логгирование и отладка
Ведение логов ошибок, пропущенных изображений, повторных попыток и общей активности.
Буду рад обсудить детали и приступить!
Бюджет: 200 EUR Срок: 7 дней
Доброго дня, готов предложить решение. Есть опыт работы с OpenCV, dlib, YOLO моделями. Пишите обговорим детали и варианты реализации
Бюджет: 500 EUR Срок: 7 дней
Есть большой опыт разработки различных программ с компьютерным зрением.
Для этой задачи лучше будет использовать ALPR (прям. специализированная библиотека).
Точный срок и стоимость смогу назвать после обсуждения всех деталей.
Бюджет: 250 EUR Срок: 10 дней
Добрый день. Подберу готовое решение и разверну на сервере, запись можно сделать в гугл таблицы.
Важно понимать номера автомобилей какой страны будут?
Пишите обговорим детали и варианты реализации, то что лучше подойдет.
Бюджет: 200 EUR Срок: 5 дней
Здравствуйте, Вадим.
Я внимательно изучил вашу задачу. Это классический и очень интересный проект в области Computer Vision. Чтобы добиться высокой точности и надежности, требуется не просто скрипт, а продуманная система.
Я предлагаю построить для вас нечто большее, чем просто набор отдельных скриптов. Мое решение будет представлять собой единое, стабильное приложение, основанное на профессиональных инструментах.
Предлагаемая архитектура и технологии:
Ядро распознавания (The Recognition Engine): Вместо базовых OCR-инструментов вроде pytesseract, которые часто дают ошибки при разном освещении и углах съемки, я предлагаю использовать более мощную связку: OpenCV для предварительной обработки изображений (улучшение контраста, нормализация) и специализированную нейросетевую модель для распознавания номеров (ALPR). Это обеспечит точность распознавания более 95%.
Система мониторинга и обработки: Я напишу сервис на Python, который будет в реальном времени отслеживать появление новых файлов в указанной директории, немедленно отправлять их на распознавание и обрабатывать результаты.
Хранение данных: Как вы и предложили, идеальным решением будет запись данных в Google Sheets или Airtable через их API. Это намного надежнее и удобнее для дальнейшего анализа, чем CSV-файл. Я реализую логику, которая будет проверять наличие номера в таблице и обновлять только поле last_seen при повторном появлении.
Развертывание (Deployment): Все приложение (скрипт мониторинга, модель распознавания и все зависимости) будет упаковано в Docker-контейнер. Это позволит вам запустить всю систему на вашем VPS одной простой командой и гарантирует стабильную работу.
Как сертифицированный Python-разработчик (PCAP™) с опытом в AI/ML, я уверен, что смогу создать для вас надежное и точное решение.
Стоимость и сроки:
За разработку и развертывание этой комплексной системы я предлагаю цену в €200, срок выполнения — 5 дней.
Привіт, а є можливість прикріпитп приклади цих зображень до задачі хоча б декілька. Чому я питаю адже від того яка якість зображення залежить 90% успіху також якщо тренувати АІ то при зміні ракурсу він уже втратись точність а якщо у вас камера не стоїть як перед шлагбаумом і постійно з 1 ракокурсу в близі бере номера то це і сенсу має мало. Наприклад якась камера відеоспотереження в далі кімнати буде працювати 1 з 5 раз)
Необходимо внести небольшое изменение в программу, которая формирует заказы для печати. Задача: Мы добавили в ассортимент мягкое стекло с принтом. В заказах название принта будет выделено символами #...# для корректного распознавания. Пример: Мягкое стекло, #Абстракция белая# 2.0mm, Форма: Прямоугольник... Необходимо: если в тексте заказа присутствует фрагмент между символами #...#, программа должна распознать его как заказ с принтом; при формировании PDF или листа для печати такой заказ нужно выделить отдельным цветом (любым заметным, согласуем во время выполнения); остальная логика работы программы должна остаться без изменений. Пример заказа добавляю ниже для тестирования.
О проекте: Мы запускаем B2B-сервис сквозной аналитики и управления рекламными кампаниями для таргетологов и медиабаеров. Продукт будет работать с официальным Meta API. Главная техническая сложность и фокус проекта — виртуозная работа с лимитами Facebook, маршрутизация трафика между пулом наших приложений и жесткая система защиты инфраструктуры от блокировок серых рекламных аккаунтов. У нас уже есть подробное техническое задание, описана архитектура баз данных, логика балансировщика и требования к интерфейсам. Ищем исполнителя, который возьмет это в реализацию под ключ (бэкенд + фронтенд дашбордов). Что предстоит сделать (Ключевые задачи): Интеграция с Meta API: Настроить авторизацию пользователей и регулярный асинхронный парсинг статистики рекламных кабинетов. Запросы должны отправляться исключительно пакетами для экономии лимитов. Система авто-отвязки кабинетов: Написать модуль, который непрерывно мониторит статусы рекламных аккаунтов. Если кабинет улетает в бан, система должна автоматически отозвать токен доступа в течение 60 секунд, чтобы защитить наше приложение от санкций Meta. Инфраструктура прокси: Реализовать туннелирование всех запросов к API через пул SOCKS5. Обязательна жесткая привязка конкретного токена пользователя к статичному IP-адресу. Умная маршрутизация: Создать алгоритм, который будет распределять привязываемые рекламные кабинеты между несколькими нашими приложениями Facebook в заданных пропорциях для снижения рисков. Разработка интерфейсов: Создать клиентский дашборд со сводной таблицей статистики и продвинутую админ-панель для ручного управления лимитами пользователей, привязками к приложениям и пулом прокси. Ожидаемый стек технологий: Бэкенд: Python, FastAPI. Асинхронные задачи: Celery, Redis. Базы данных: PostgreSQL (или ClickHouse для статистики, на ваше усмотрение). Фронтенд: Vue.js или React (можно использовать готовые UI-библиотеки и шаблоны дашбордов, упор на функциональность, а не сложный дизайн). Требования к исполнителю: Уверенный опыт работы с Meta Graph API и Marketing API. Вы должны понимать, как работают скользящие лимиты, как читать заголовки загруженности и как работать с токенами. Понимание специфики арбитража трафика. Слова «биллинг», «бан рекламного кабинета», «бизнес-менеджер» и «фарм» не должны вызывать у вас вопросов. Опыт построения асинхронных парсеров и работы с прокси-серверами на уровне сетевых запросов. Готовность работать по четкому техническому заданию и сдавать проект поэтапно. Условия: Формат сотрудничества: Проектная работа Бюджет: Обсуждается индивидуально на основе вашей оценки технического задания. Оплата: Поэтапная, привязанная к контрольным точкам. Как откликнуться: В сопроводительном письме обязательно укажите ваш опыт работы с Meta API, прикрепите ссылки на похожие проекты (или опишите их функционал, если они под NDA) и напишите ориентировочную вилку цен и сроков на разработку подобной системы с нуля. Отклики без описания релевантного опыта работы с Facebook API рассматриваться не будут.
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.
Коротко Нужна программа на Python, которая запускается у меня на ПК (Windows) и делает faceless-видео формата «закадровый голос + сменяющийся видеоряд из фото и клипов» — как исторические документалки на YouTube (пример прикреплю отдельно). Я ввожу тему → программа пишет сценарий, озвучивает, подбирает под каждый кусок текста видео/фото из бесплатных архивов, склеивает → выдаёт готовый MP4. Только для меня. Без сайта, без пользователей, без продажи. Один пользователь — я. Как работает (по шагам) 1. Ввод. Открывается простое окно. Я ввожу тему ролика и выбираю голос озвучки из списка (**список голосов подтягивается автоматически из ElevenLabs по API** — доступные на моём аккаунте). Жму «Создать». (Второй режим: вставить готовый сценарий вместо генерации.) 2. Сценарий. Программа через LLM API (OpenAI/Anthropic, ключ в настройках) пишет сценарий по теме, заданной длины. 3. Разбивка на сцены. LLM делит сценарий на сцены и для каждой возвращает: текст сцены; тип визуала: видео или фото; поисковый запрос (развёрнутая фраза, что должно быть в кадре); пометку «highlight» + оценку важности 1-10 (для интро, см. ниже). 4. Озвучка. Текст отправляется в ElevenLabs API выбранным голосом → аудио. Под длину аудио каждой сцены режется видеоряд. 5. Подбор видео/фото — из бесплатных источников по API (см. список ниже). Под каждый источник запрос формируется по-своему (для точности). Если в одном не нашлось — пробует следующий. 6. Проверка (максимум 3 шага на сцену). Шаг 1: программа берёт первый найденный вариант (видео/фото) по запросу. Шаг 2: отправляет кадр в LLM — «подходит под сцену?». Подходит → стоп. Шаг 3 (если не подходит): программа переключается на поиск фото (по точному запросу фото найти проще, чем видео, — так гарантированно попадаем по смыслу) и берёт его с усиленным движением (зум + панорама). Больше 3 шагов на одну сцену не делать — это экономит бюджет LLM и гарантирует, что кадр в тему. 7. Сборка через ffmpeg/moviepy: клипы и фото под тайминг озвучки, фото оживляются зумом (эффект Кена Бёрнса), голос поверх, простые переходы. Выход: MP4 1920×1080. Правила видеоряда (важно — за это отвечает программа) Первые 60 секунд — интро-тизер: нарезка самых эффектных клипов из всего ролика (берутся сцены с высшей оценкой важности, где есть видео) под отдельный текст-вступление от LLM («в этом видео вы узнаете…»), кадры без пояснений, как интрига. Потом переход и основная часть. Чередование: видео-вставка минимум каждые ~6 секунд, нельзя много фото подряд. Доля видео: не меньше ~40% времени — живые клипы, остальное — фото с зумом. Длина кадра: 4-6 секунд (и фото, и видео). Не мельтешить, не держать статику долго. Для чисто исторических тем, где видео нет — фото с усиленным движением (зум + панорама). Источники (все бесплатные, с API) Современное видео+фото: Pexels, Pixabay. Историческое / архивное (public domain): Wikimedia Commons, Archive.org,Library of Congress, Europeana, NASA, Smithsonian Open Access,Flickr Commons, openverse. Каждый источник — отдельный модуль, легко добавить новый. Использовать только public domain / свободные лицензии с правом коммерческого использования. Никакого парсинга чужих YouTube/сайтов, кусков фильмов, картинок «из гугла».Уникальность подбора Чтобы видео не совпадали с чужими: брать случайный клип из топ-выдачи (не первый), вести базу уже использованных (не повторять), опционально — лёгкая обработка клипа (кроп/зеркало/ скорость). Опции (вкл/выкл в настройках) Только фото — если включено, видео собирается ЧИСТО из фото, без видео-клипов. Каждое фото ОБЯЗАТЕЛЬНО с движением (зум и/или панорама, эффект Кена Бёрнса) — даже в этом режиме не должно быть статичных «мёртвых» кадров, минимальная динамика всегда. Если выключено — стандартный режим (фото + видео-клипы с чередованием, как в правилах видеоряда). Без озвучки — если включено, видео собирается по тексту БЕЗ генерации голоса: код НЕ обращается к ElevenLabs и не накладывает озвучку (видеоряд подбирается по тексту сцен, тайминг кадров — по правилам/параметрам, без привязки к аудио). Если выключено — автоматически делает озвучку по тексту через ElevenLabs, как обычно. Атмосферный оверлей — если включено, поверх всего видеоряда накладывается полупрозрачный слой с плавающими частицами / пылью / светящимися боке / лёгким туманом (particle / dust / bokeh / fog overlay, режим наложения screen/add), чтобы кадры выглядели живыми и кинематографичными. При установке программы кладётся набор из 5-8 популярных оверлеев (частицы, пыль,copyбоке, туман, лёгкое киношное «зерно») в локальную папку — я выбираю нужный из списка. Регулируемая прозрачность/яркость оверлея (ползунок 0-100%), чтобы эффект не был ниcopyслишком тусклым, ни слишком выраженным — я сам настраиваю силу. Желательно, чтобы оверлей можно было накладывать и на УЖЕ готовое видео отдельноcopy(постобработка: взять готовый MP4 → выбрать оверлей → задать прозрачность → сохранить), а не только при сборке. Откуда взять оверлеи для комплектации (свободная лицензия): Pexels, Pixabay (запросыcopy«particle overlay», «bokeh overlay», «dust overlay», «light leaks», «film grain»), Mixkit, Videezy. Исполнитель подбирает 5-8 штук и кладёт в папку программы. Субтитры (вшить или отдельным .srt). Обработка клипов для уникальности. Разрешение/формат, длина видео, доля видео, глубина поиска.Технические требования Python. Модульная структура (источники и LLM — через сменные модули, чтобы легко заменить или добавить). Все API-ключи — в файле настроек, не в коде. Простое окно (GUI на выбор исполнителя — Tkinter/PyQt), запуск двойным кликом. README с инструкцией, понятные логи, комментарии в коде.Что даю я API-ключи (ElevenLabs, LLM, где нужна регистрация — оформлю). Платное оплачиваю сам. Примеры видео-референсов (прикреплю) и примеры тем для тестов.Приёмка (готово, если) Запускаю → окно → ввожу тему, выбираю голос → «Создать» → получаю готовый MP4. Видеоряд по смыслу текста, чередование видео/фото, интро-тизер 60 сек, озвучка поверх. Работает минимум с 6 бесплатными источниками, с fallback между ними. Проверка кадров через LLM: макс. 3 шага на сцену (нашли → LLM проверил → если нет, фото с движением как верняк). Уникальность: рандомизация + база использованного. Только легальные источники. Есть README, запускается с нуля.Передача результата Весь исходный код — в открытом виде (все файлы), без обфускации + собранная рабочая версия. Я могу сам запустить из исходников по инструкции (README: установка, ключи, запуск). Код должен быть чистым, прокомментированным и понятным, чтобы **любой другой программист мог продолжить работу** над ним, если понадобится (не привязка к автору). **Вся повседневная работа — через интерфейс (кнопки, поля, ползунки, выпадающие списки), БЕЗ необходимости трогать код.** Все настройки (тема, голос, опции, оверлей, папки, длина, форматы) меняются в окне программы, а не редактированием файлов. Код на руках — только как моя собственность и страховка, а не как способ управления программой. Все права на код после оплаты — мои.Управление местом на диске (важно) Программа не должна забивать диск. Реализовать: После сборки видео все промежуточные файлы (скачанные клипы, временные куски, аудио-нарезки) автоматически удаляются — на диске остаётся только готовый MP4. Лимит на кэш (параметр в настройках, напр. 5 ГБ): при превышении старые скачанные файлы удаляются автоматически (сначала самые старые). Папку для готовых видео и для временных файлов я задаю в настройках. Показывать, сколько места занято, и кнопка «очистить кэш» вручную.Прошу указать в отклике Примеры похожих работ (ffmpeg/moviepy, работа со стоковыми/архивными API, ElevenLabs/LLM). Предложение по GUI. Использует ли решение базу данных (какую и зачем) — или хватает локальных файлов. Срок и стоимость.
Разрабатываем real-time интеграцию с внешним сервисом Тренер. Отправляем структурированные снимки состояния, получаем рекомендации и показываем их всплывающим пузырём. Задача — стабильная и полная передача данных для корректной работы Тренера. Ищем разработчика для цепочки: обработка данных → HTTP-коммуникация → overlay. Нужны люди с такими навыками Python хорошо, Java база, API HTTP/JSON-APIs Проект готовый на 90% но есть некоторые несотыковки