Михаил Гловинский
Автоматизуй розумно, впроваджуй ефективно, масштабуй безмежно!
Запропонуйте Михаилу роботу над вашим наступним проєктом або зареєструйте профіль фрилансера і починайте заробляти просто зараз.
Особисте повідомлення
Запропонувати роботу
Київ,
Україна
3 години 14 хвилин тому
вільний для роботи
11 Сейфів завершено
4 місяці 20 днів тому
9 замовників
на сервісі 7 років
Рейтинг
Рівень володіння мовами
Українська: носій
Русский: носій
English: середній
Резюме
No-Code - AI Automation Експерт | n8n | Make | ManyChat | Airtable | Notion Звільняю бізнес від рутини
Я допомагаю бізнесу позбутися рутини за допомогою автоматизації та штучного інтелекту. Мій підхід базується на досвіді підприємницької діяльності (2019–2024), що дозволяє мені бачити процеси не лише як розробнику, а й як власнику бізнесу. Я розумію біль клієнта, коли процеси гальмують розвиток, і знаю, як це виправити.
Напрямки, в яких я буду вам корисним:
AI-рішення: Створення автономних агентів та чат-ботів на базі OpenAI / Gemini / Anthtropic. Інтеграція штучного інтелекту в месенджери (Telegram, Instagram, WhatsApp) через ManyChat.
Автоматизація процесів: Побудова складних сценаріїв у n8n (використовую self-hosted рішення) та Make.com. Синхронізація будь-яких сервісів через API та Webhooks.
Управління даними: Проектування гнучких CRM-систем та баз даних на базі Airtable, Notion, NocoDB або Google Sheets.
Голосові асистенти: Впровадження AI-інструментів для обробки дзвінків та запису клієнтів.
Технічний стек: n8n, Make.com, Airtable, ManyChat, OpenAI API, Gemini, Claude, ElevenLabs, Vapi. Пишу кастомний JavaScript для Code Node в n8n, коли стандартних інструментів недостатньо.
Я не просто налаштовую софт, а створюю архітектуру, яка працює на результат. Якщо ви готові оптимізувати свій бізнес — напишіть мені, і ми обговоримо ваш проект.
Автоматизуй розумно, впроваджуй ефективно, масштабуй безмежно!
Навички та вміння
Програмування
-
AI та машинне навчання
від 1200 UAH за годину
-
Парсинг даних
від 1200 UAH за годину
-
Розробка ботів
від 1200 UAH за годину
Дизайн та арт
-
AI у дизайні
від 1200 UAH за годину
Послуги
-
Консультування з AI
від 1200 UAH за годину
-
Робота з клієнтами
від 1200 UAH за годину
Фото, аудіо та відео
-
AI cинтез голосу
від 1200 UAH за годину
-
AI cтворення відео
від 1200 UAH за годину
Робота з текстами
-
AI обробка текстів
від 1200 UAH за годину
Портфоліо
- Всі роботи 33
- Адміністрування систем та мереж 1
- Бази даних та SQL 2
- E-mail маркетинг 1
- Бухгалтерські послуги 1
- Парсинг даних 1
- Збір інформації 2
- Робота з клієнтами 1
- AI та машинне навчання 15
- Розробка ботів 6
- Консультування з AI 1
- AI cтворення відео 1
-
Кастомні AI-моделі — від навчання до запуску на власному сервері
Навчитися створювати власні AI-моделі під конкретну задачу й тон — щоб клієнт міг мати свій AI, а не залежати тільки від загальних сервісів типу ChatGPT. Кінцевий продукт — набір робочих, компактних моделей, які працюють на приватному сервері поруч з автоматизацією, без оплати за кожне повідомлення зовнішнім провайдерам.
Ключові вимоги:
… Нуль витрат: увесь процес на 100% безкоштовних інструментах, без платних хмарних сервісів
Чесне порівняння: протестувати три розміри моделей і знайти найкращий баланс якості та ціни
Легкість: моделі мають бути достатньо малими, щоб працювати навіть на слабкому старому ноутбуці
Готовність до інтеграції: моделі у форматі, що підключається напряму до n8n-автоматизацій
Стабільність: обійти технічні обмеження безкоштовних платформ для навчання
Як це працює:
Ідея була в тому, щоб уміти запропонувати клієнту його власну навчену модель — а не просто підключення до чужого сервісу — і зробити це повністю на безкоштовних інструментах.
Навчив три моделі й чесно їх порівняв: натренував три моделі різного розміру на однакових даних і протестував на тих самих питаннях, щоб побачити, яка дає найкращі відповіді за свої гроші. Це дає чітку основу, щоб радити клієнту правильну модель під його бюджет.
Вирішив складне обмеження платформи: безкоштовні сервіси для навчання мають відому проблему, яка ламає сучасні моделі. Я знайшов надійний обхідний шлях, який дозволив навчити модель там, де стандартні інструкції просто не працюють.
Підібрав правильний розмір моделі під обмеження: найбільша модель навчалася б понад добу й не вмістилася б у безкоштовний ліміт часу. Я перейшов на меншу багатомовну модель — сильну в українській — і скоротив навчання до кількох годин без реальної втрати якості.
Побудував відтворюваний production-процес: навчання → пакування → стиснення → запуск. Цей самий процес тепер використовується для навчання AI-асистента, який працює напряму з n8n-автоматизаціями.
Довів, що якість даних вирішує все: проаналізував кілька публічних наборів даних і показав, що слабкі відповіді походять від поганих навчальних даних, а не від самої моделі — ключовий висновок для будь-якого майбутнього проекту з кастомним AI.
Результат:
Робочий набір кастомних AI-моделей і процес, який можна повторно застосовувати на реальних клієнтських проектах:
Готова до використання AI-модель, опублікована онлайн (компактна версія ~1 ГБ), що працює навіть на старому ноутбуці
Відтворюваний процес навчання, пакування й запуску власних моделей — придатний для майбутніх клієнтських проектів
Чесне порівняння "якість vs ціна" по трьох розмірах моделей — основа для рекомендації правильної моделі під бюджет
Готовність до продакшену: моделі розгортаються на приватному сервері й підключаються напряму до n8n-автоматизацій через стандартний API
#n8n #AI #LLM #Файнтюнінг #КастомнийAI #SelfHosted #MachineLearning #Автоматизація #NoCode #HuggingFace #Ollama
-
10 000 UAH Автоматизована лідогенерація та моніторинг тендерів
AI та машинне навчання
Мета:
Створити автономну систему лідогенерації, яка щоденно сканує реєстр Prozorro у пошуках двох категорій можливостей: укладених договорів (теплі ліди — організації які вже купують релевантний товар) та активних тендерів (де можна подати пропозицію). Кінцевий продукт — структурована CRM-база в Airtable з повним контактом замовника, учасниками та цінами пропозицій.
Ключові вимоги:
…
Два паралельні воркфлоу: ізольована обробка контрактів (/contracts) та активних тендерів (/tenders?status=active.tendering)
Розширена фільтрація: 5 CPV-кодів + 15 брендів-маркерів + мінімальна сума 50 000 грн
Курсорна пагінація з історичним backfill: сканування Prozorro з 01.01.2025 без втрати позиції між запусками
Деталізована CRM-структура: контакти (ЄДРПОУ, email, телефон), учасники аукціону з цінами, посилання на реєстр пропозицій
Дедуплікація на рівні Airtable: запобігання повторним записам при безперервній роботі
Гібридна логіка: закриті тендери, які пройшли фільтр, автоматично збагачують базу лідів даними учасників для майбутніх email-кампаній
Мій Внесок:
Замовник торгує енергетичним обладнанням (акумулятори, ДБЖ, сонячні панелі) і витрачав години щодня на ручний моніторинг Prozorro. Завдання було не просто "присилати тендери", а збудувати готовий до продажів конвеєр лідів з повним розшифруванням ринку.
Архітектурна декомпозиція: замість одного "товстого" флоу я розділив систему на два незалежних воркфлоу — для договорів та активних тендерів. Кожен має власний курсор, графік запуску і Airtable-таблицю. Це дозволило масштабувати джерела без взаємних блокувань.
Курсорна пагінація з self-healing логікою: Prozorro повертає опаковий курсор у форматі {timestamp}.{seq}.{hash}. Я реалізував захисний шар, який валідує курсор перед використанням і автоматично відновлює його з валідної дати, якщо API віддає аномалію (наприклад, скидання до 2015 року). Без втручання адміна.
Двоступеневе збагачення даних: для лідів я зробив каскад HTTP-запитів — спочатку контракт (покупець, постачальник, сума), потім тендер (учасники, ставки, реєстр пропозицій). Окремий JavaScript-вузол об'єднує ці потоки та формує JSON з масивом учасників (назва, ЄДРПОУ, email, початкова + фінальна ставка), готовий для інтеграції з email-розсилками.
Дедуплікація через Airtable Search: перед кожним записом флоу робить пошук по contractID/tenderID, що дозволяє безпечно перезапускати воркфлоу скільки завгодно разів без створення дублів.
Маршрутизація закритих тендерів: тендери, які закінчились до моменту обробки, не викидаються — IF-логіка перенаправляє їх у таблицю "Ліди" з повним списком учасників. Так замовник отримує не тільки потенційних клієнтів-покупців, але й конкурентів-постачальників для аналізу ринку.
Результат:
Працююча система, яка щодня збагачує CRM замовника без жодного людського втручання:
2 джерела даних в одній БД: Airtable з двома таблицями ("Ліди" та "Активні тендери"), кожна з контактами, цінами, документами та посиланнями
Готовність до email-маркетингу: структуровані дані учасників (з email і телефонами) можна напряму скидати в Mailchimp/SendPulse/власний скрипт
Економія 2-3 годин/день: замість ручного гуглення замовник одразу отримує таблицю з 18 полями
Історичний охват: backfill з 01.01.2025 дозволив сформувати базу теплих лідів за 16+ місяців ще до запуску
Стабільність 24/7: система запускається 4 рази на день за розкладом, з retry-логікою на API-помилки і самовідновленням курсора
#n8n #Airtable #LeadGeneration #SalesAutomation #Prozorro #API #WorkflowAutomation #JavaScript #CRM #DataPipeline #BusinessAutomation #NoCode #B2B #Лідогенерація #Автоматизація
-
6652 UAH Автоматизований моніторинг щоденних продажів Prom та Rozetka
AI та машинне навчання
Мета: Автоматизувати збір та консолідацію щоденної фінансової аналітики з різних маркетплейсів (Prom, Umall, Rozetka) через CRM SalesDrive у Telegram. Ключовий виклик: об'єднати дані з розрізнених джерел (різні formId) та забезпечити точність розрахунків прибутку й «хітів продажу» в умовах нестабільної передачі системних дат через API.
Рішення: Багатопотокова архітектура на n8n (self-hosted на Railway):
… 1. Data Extraction (SalesDrive API Pipeline)
Multi-Source Fetching: Реалізовано роздільні HTTP-запити для гілок PROM + UMALL та ROZETKA. Використано специфічні заголовки автентифікації для кожного джерела.
Precision Filtering: Налаштовано жорстку фільтрацію за часовими вікнами (00:00:00 – 23:58:59) через параметри orderTime та createTime, що усуває підтягування «історичних» замовлень при їх редагуванні менеджерами.
Status Validation: Система автоматично відсікає технічне сміття та анульовані заявки (статус 32/51), гарантуючи, що у звіт потрапляє лише реальна «каса».
2. Analytics Engine (JS Code Logic)
Financial Aggregator: Code Node виконує роль бекенд-процесора: парсить масиви замовлень, конвертує строкові дані в числа (parseFloat) та проводить сумування оборотів і чистого прибутку в реальному часі.
Product Hit Detection: Алгоритм динамічно підраховує кількість проданих одиниць кожного SKU, визначає лідера дня («Хіт продажу») та виводить його назву разом із кількістю реалізацій.
Data Normalization: Автоматична уніфікація назв товарів та артикулів, навіть якщо вони відсутні в окремих об’єктах масиву products.
Результат:
Reporting Design: Формування суворого бізнес-звіту в Telegram з використанням моноширинного шрифту для зручного зчитування цифр та миттєвого копіювання ЄДРПОУ/сум одним тапом.
Operational Control: Власник отримує повну картину продажів за 1 секунду без необхідності заходити в CRM та вручну будувати фільтри.
Reliability: Завдяки хостингу на Railway та оптимізованим таймаутам підключення до БД (PostgreSQL), система стабільно обробляє запити навіть у пікові години навантаження на маркетплейси.
#n8n #SalesDrive #ECommerce #Prom #Rozetka #BusinessIntelligence #Automation #API #Railway
-
6000 UAH Архітектура синхронізації: Notion → Reclaim.ai
AI та машинне навчання
Мета: Автоматизувати планування виробничих задач із Notion у Reclaim.ai через Google Tasks. Ключовий виклик: реалізувати надійну дедублікацію без зміни статусів у Notion та обійти жорсткі квоти Google API.
Рішення: Дворівнева архітектура на n8n (Railway):
… 1. Збір та Валідація (Notion Pipeline)
Smart Deduplication: Система ігнорує повторні тригери Notion, звіряючи ID сторінок із власною базою (Data Table). Це дозволяє статусу PRODUCE залишатися статичним.
Dynamic Time-Window: Фільтрація задач за 14-денним вікном (REZERWACJA), що виключає планування архівних записів.
JS Hours Parser: Code Node автоматично конвертує вільний ввід годин у формат (duration: Xh), зрозумілий для AI-алгоритмів Reclaim.ai.
2. Доставка та Оптимізація (Queue Engine)
Quota Management: Впроваджено пакетну обробку (Batching) та ретраї (Retry), що усунуло помилки 403 Quota Exceeded при масових операціях з Google API.
Asynchronous Flow: Розподіл на «Збирач» та «Відправник» через чергу статусів (PENDING -> SENT), що гарантує 100% доставку кожного таска.
Результат:
Sync Speed: Поява задачі в календарі за 1–5 хв.
Stability: Повна автоматизація без "ручного" супроводу статусів у Notion.
Scalability: Готова інфраструктура для масштабування на інші відділи компанії.
#n8n #Notion #ReclaimAI #Automation #Backend #API
-
40 000 UAH AI-ідентифікатор лідів: Bitrix24 + Binotel
AI та машинне навчання
Мета: Розробити інтелектуальну систему автоматизації CRM-маркетингу для ідентифікації анонімних лідів у Bitrix24. Вимога: забезпечити автоматичне розпізнавання клієнтів через аналіз вхідних дзвінків телефонії Binotel, мінімізувати витрати на AI-аналіз через пакетну дедублікацію та очистити базу від «сміттєвих» контактів.
Мій Внесок / Рішення: Спроектовано багаторівневу архітектуру на self-hosted n8n, що інтегрує Bitrix24 API з моделями (GPT-4o). Реалізовано логіку для збереження контексту даних при складних розгалуженнях воркфлоу.
… 1. Інтелектуальний Media Engine (Аналіз та Ідентифікація):
Multi-Step AI Transcription & Analysis: Впроваджено систему вилучення аудіозаписів із сутностей Bitrix Activity. Використано нейромережі для транскрибації та семантичного аналізу діалогів з метою виявлення імен клієнтів, назв компаній та типу запиту.
High-Precision Filtering: Реалізовано сувору фільтрацію вхідного потоку: ігнорування вихідних дзвінків (DIRECTION: 1), відсікання розмов коротших за 40 секунд та детекція спаму. Це дозволило сфокусувати ресурси AI лише на цільових вхідних лідах.
2. Пакетна обробка та Data Integrity (Optimization):
Batch Deduplication Standard: Розроблено механізм порівняння вхідних даних з існуючою БД за принципом [Вхід] - [БД] = [Нові]. Це виключило повторну обробку архівних дзвінків (2024–2026) та знизило витрати на API нейромереж.
Source of Truth Recovery (V16): Вирішено проблему втрати контексту (Activity ID, Phone) при успішних API-запитах до Bitrix24. Створено архітектуру, де фінальна нода Normalize Data звертається до початкового стану ітератора (Process Calls3), гарантуючи 100% заповнення полів у фінальному логуванні.
3. Надійність та Infrastructure Management:
Оптимізовано роботу self-hosted інстансу n8n для масової обробки великих архівів. Впроваджено стратегію очищення даних, вимкнено логування успішних запусків для економії дискового простору та реалізовано автоматичне стиснення бази.
Archival & Real-time Hybrid: Система налаштована на гібридний режим: глибока обробка історичних архівів (глибина до 2 років) та щоденний моніторинг нових контактів «по гарячих слідах».
Результат: Створено автономний backend-продукт для автоматичного збагачення CRM-даних:
Data Enrichment: Автоматизовано ідентифікацію понад 80% анонімних вхідних дзвінків, перетворюючи «Телефонний дзвінок від...» на іменовані контакти з історією запиту.
#n8n #Bitrix24 #Binotel #AIAutomation #GPT4 #Backend #CRMIntegration #NoCode #DataEngineering
-
13 305 UAH Мультимодельна платформа на базі n8n
AI та машинне навчання
Мета: Створити професійний інструмент для генерації високоякісного AI-відеоконтенту (Cinematic Trailers) з гібридною моделлю ціноутворення. Вимога: забезпечити якість рівня Kling/Luma за оптимальною собівартістю, впровадити систему керування балансом та автоматизувати пост-продакшн (брендування).
Мій Внесок / Рішення: Розроблено багаторівневу архітектуру на n8n, яка інтегрує передові SOTA-моделі (Kling, Veo, Luma) через FAL.ai API. Впроваджено логіку динамічного вибору моделі залежно від бюджету користувача та технічних вимог до відео (тривалість, фреймрейт).
… 1. Гібридний Media Engine (Оптимізація якості та витрат):
Multi-Model Orchestration: Реалізовано логіку перемикання між моделями: Kling 1.0 (для бюджетних генерацій ~$0.45), Veo 3.1 (баланс ціни/якості ~$1.2) та Kling 2.1 Master (VIP-якість). Це дозволило клієнту запропонувати гнучкі тарифи для різних сегментів користувачів.
Prompt Engineering & Validation: Впроваджено систему обробки складних кінематографічних промптів. Автоматизовано перевірку параметрів (duration, aspect ratio) на етапі входу, що запобігає помилкам API (наприклад, валідація тривалості 4s/8s для моделі Veo) та економить кошти на невдалих запитах.
2. Система керування станами та фінансами (CRM & Balance):
Atomic Credit System: Спроектовано систему "внутрішньої валюти" (балансу). Кожна генерація списує кошти лише після успішного підтвердження від API, що виключає втрати грошей користувача при технічних збоях нейромереж.
Concurrency & Request Tracking: Вирішено проблему дублювання записів при тривалих операціях (генерація відео триває 5-10 хв). Використано механізм ідентифікації через унікальні Transaction IDs, що запобігає повторним запускам вузлів при повторних callback-запитах від Telegram.
3. Photo-to-Video Workflow:
Dual-Path Generation: Реалізовано два сценарії роботи: генерація відео на основі завантаженого фото користувача (Custom Input) та створення відео з попередньо згенерованих AI-зображень (Full-AI Loop).
Результат: Створено масштабований SaaS-продукт для генерації AI-відео, готовий до комерційного використання:
Cost Control: Собівартість генерації 10-секундного ролика знижена до $0.45 при збереженні високої якості.
High Reliability: Система стабільно обробляє тривалі черги рендерингу (async processing) без "зависання" воркфлоу.
Monetization Ready: Повністю готова логіка CRM, балансів та рівнів доступу (Basic/VIP).
#n8n #GenerativeAI #KlingAI #VideoAutomation #Backend #APIIntegration #SaaSDevelopment #LowCode
-
12 000 UAH Інтелектуальна система управління замовленнями
Розробка ботів
Мета: Розробити відмовостійку систему прийому замовлень (E-commerce Bot) з логікою захисту від колізій даних. Вимога: система має працювати як State Machine (кінцевий автомат), динамічно підлаштовувати інтерфейс під наявність товарів у базі та забезпечувати "чистоту" вхідних даних ще до етапу обробки менеджером.
Мій Внесок / Рішення: Спроектовано та впроваджено архітектуру "State-Aware Architecture" на базі n8n, яка керує життєвим циклом користувача від входу до фіналізації угоди. Використано підхід Low-Code + Custom JS для обходу обмежень стандартних вузлів.
… 1. Архітектура "Gatekeeper" (Управління сесіями):
Logic Engine & Concurrency Control: Реалізовано жорсткий алгоритм "Фейсконтролю" (Switch Node Logic). Система перевіряє базу даних на наявність незавершених транзакцій (статуси "Pending", "Payment Wait") перед стартом нового процесу. Це унеможливлює створення дублів та "сміттєвих" записів.
Session Reset & Cleanup: Впроваджено механізм примусового скидання завислих сесій (force_cancel), що дозволяє користувачу самостійно вирішувати конфлікти станів без звернення до підтримки.
2. Динамічний Frontend (Telegram UI):
JSON-Generated Interface: Замість хардкодингу кнопок реалізовано динамічну генерацію меню (JavaScript Code Node). Бот робить запит до складської бази даних (n8n Table/Airtable), отримує актуальний каталог товарів і "на льоту" рендерить клавіатуру. Це дозволяє додавати товари (/add) без перезавантаження бота.
Raw HTTP Requests: Для обходу обмежень стандартних нод n8n та усунення UI-глюків використано прямі POST-запити до Telegram API. Це забезпечило стабільну роботу складних об'єктів reply_markup та коректну передачу callback-даних.
3. Data Integrity & Validation (Цілісність даних):
Smart Parsing: Комбінація регулярних виразів (RegEx) та умовних операторів для валідації вводу (наприклад, розрізнення суми "200" від телефону "050...").
Database Locking: Використання атомарних оновлень рядків за унікальними ID (а не за ChatID), що вирішило проблему перезапису даних при одночасній роботі кількох операторів або інстансів.
Результат: Створено автономну систему продажів, яка не потребує технічного нагляду:
Zero-Conflict Database: Кількість дубльованих або помилкових замовлень зведена до 0 завдяки логіці state-management.
Scalability: Додавання нових товарних позицій займає секунди через адмін-команди, автоматично оновлюючи інтерфейс у всіх користувачів.
User Experience: Система сама "веде" клієнта, блокуючи нелогічні дії та пропонуючи контекстні сценарії виходу з помилок.
#n8n #JavaScript #BackendArchitecture #StateManagement #TelegramBotAPI #ECommerceAutomation #ErrorHandling #DatabaseDesign
-
20 000 UAH Система аналізу телеком-трафіку з AI-Vision
AI та машинне навчання
Мета: Автоматизувати критичний бізнес-процес телеком-компанії — аналіз вхідних прайс-листів (Rate Sheets) від постачальників VoIP трафіку. Проблема полягала у різноманітності форматів: постачальники надсилають ціни в Excel, CSV, PDF і навіть картинками (скріншоти в месенджерах). Ручна обробка займала години, що призводило до втрати вигідних угод на динамічному ринку. Вимога: Система має бути "всеїдною", визначати вигідні (BUY) та невигідні (SELL) напрямки, порівнюючи їх з внутрішнім ринковим API, та миттєво сповіщати менеджерів.
Мій Внесок / Рішення: Рішення реалізовано на Self-hosted n8n, з використанням Google Drive, OpenAI (GPT-4o / Turbo) та Google Sheets. Архітектура побудована за принципом "Parent-Child" (Батько-Син) для масштабованості та відмовостійкості.
… 1. Воркфлоу "Omni-Channel Ingestion" (Батьківські процеси):
Маршрутизація та Черга: Реалізовано логіку Smart Queue. Система сканує Google Drive, ідентифікує тип файлу (.xlsx, .csv, .pdf, .png) та обробляє їх по одному (Batch Size: 1) з інтервалом у 20 хвилин, щоб уникнути перевантаження API та лімітів.
AI Vision & OCR: Для обробки "нечитабельних" форматів (PDF/Images) створено каскад:
CloudConvert: Конвертація багатосторінкових PDF у високоякісні PNG (300 DPI).
GPT-4o Vision: Використання мультимодальної моделі для візуального зчитування таблиць з картинок, де звичайні парсери безсилі.
Smart CSV Parsing: Для великих текстових файлів реалізовано алгоритм "Chunking" — розбиття тексту на пакети по 40 рядків для обробки легшою моделлю GPT-4 Turbo, що суттєво економить бюджет замовника.
2. Воркфлоу "Аналітичне Ядро" (Child Workflow):
Data Enrichment: Впроваджено складний алгоритм матчингу (JavaScript). Система нормалізує назви країн (наприклад, виправляє "Dr Congo" на офіційну назву), визначає MCC/MNC коди за внутрішнім довідником та класифікує тип трафіку (Direct/HQ/SS7/Sim) на основі метаданих файлу.
Market Intelligence: Інтеграція із зовнішнім API (interconnect.solutions). Кожен рядок прайсу перевіряється в реальному часі для отримання ринкової медіани.
Logic Engine: Автоматичний розрахунок маржинальності. Система присвоює статус BUY (якщо ціна нижче ринку) або SELL, та сортує пропозиції від найвигідніших.
3. Надійність та UX:
Error Handling: Налаштовано глобальний перехоплювач помилок та локальні Retry-стратегії (3 спроби) для нестабільних HTTP-запитів.
Reporting: Фінальний результат формується у вигляді інтерактивного HTML-звіту в Telegram з посиланнями на оригінал та оброблений файл, а також Top-15 рекомендацій для менеджерів.
Результат: Замовник отримав повністю автоматизований відділ закупівлі трафіку:
Універсальність: Система обробляє будь-який вхідний файл, від Excel до фотографії екрану.
Швидкість реакції: Час від отримання файлу до прийняття рішення скоротився з годин до хвилин.
Економічний ефект: Менеджери отримують готові "сигнали" (Buy Alerts) і не витрачають час на ручне порівняння тисяч рядків.
Стабільність: Завдяки чергам та оптимізації запитів система працює 24/7 без збоїв API.
#n8n #OpenAI #GPT4o #ComputerVision #Automation #Telecommunications #VoIP #JavaScript #GoogleDriveAPI #DataEngineering #CloudConvert #TelegramBot
-
15 000 UAH Цифровий співзасновник.
AI та машинне навчання
Мета: Створити інтелектуального AI-партнера для власника будівельно-девелоперської компанії. Система мала об'єднати офлайн-базу знань (Obsidian) з потужністю хмарного AI (OpenAI GPT-4o). Ключові вимоги:
- RAG (Retrieval-Augmented Generation): Відповіді мають базуватися виключно на внутрішніх регламентах та документах компанії.
… - Двосторонній зв'язок: Агент повинен не тільки "читати" базу, але й "писати" в неї (створювати нові файли/регламенти за командою в Telegram).
- Економія ресурсів: Розумна індексація, щоб не перечитувати незмінені файли.
Мій Внесок / Рішення:
Рішення побудовано на базі Self-hosted n8n (Railway), векторної бази даних Supabase та хмарного сховища Google Drive. Архітектура складається з 3-х складних воркфлоу:
1. Воркфлоу "Розумний Індексатор" (ETL Pipeline):
Google Drive (Recursive Search): Реалізовано складний алгоритм пошуку файлів (.md, .txt, .pdf) по всьому диску з обходом вкладених папок та фільтрацією "чужих" файлів.
Incremental Sync (Економія коштів): Розроблено логіку порівняння метаданих. Воркфлоу порівнює файли з диска з таблицею file_tracker у Supabase (SQL). На обробку (Embedding) відправляються тільки нові або змінені файли. Це економить до 90% токенів OpenAI.
Vectorization: Текст розбивається на чанки, перетворюється на вектори (OpenAI Embeddings) і зберігається в Supabase.
2. Воркфлоу "Мозок" (Conversational AI Agent):
AI Agent (LangChain): Використовує модель GPT-4o з кастомним системним промптом "Цифрового Співзасновника".
Long-term Memory: Підключено Postgres Chat Memory (в Supabase), що дозволяє боту пам'ятати контекст діалогів безстроково.
Vector Store Tool: Реалізовано інструмент пошуку, який використовує кастомну SQL-функцію match_documents для знаходження найбільш релевантних відповідей у базі знань.
3. Воркфлоу "Руки" (File Generator Tool):
Автономне створення контенту: Агент може викликати цей саб-воркфлоу для створення нових документів.
Smart Parsing (JavaScript): Написано скрипт-санітайзер, який розбирає відповідь AI (навіть якщо вона приходить у нестандартному форматі) на filename та content.
Write-back: Файл завантажується на Google Drive, після чого автоматично синхронізується з локальним Obsidian замовника через Google Drive Desktop.
Результат:
Клієнт отримав повністю автономну систему управління знаннями:
"Жива" База: Будь-яка зміна в нотатці Obsidian автоматично потрапляє в "мозок" бота.
Стратегічний партнер: Власник може радитися з ботом щодо стратегії, і бот відповідає, спираючись на історію та контекст компанії, а не на загальні фрази.
Автоматизація рутини: Бот працює як секретар — створює чернетки договорів, ідей та планів прямо в робочу папку власника.
Надійність: Вирішено проблеми з тайм-аутами серверів та дублікатами даних за допомогою SQL-оптимізації та налаштувань Railway.
#n8n #OpenAI #RAG #Supabase #VectorDatabase #PostgreSQL #Obsidian #KnowledgeManagement #WorkflowAutomation #JavaScript #Railway #SelfHosted #GoogleDriveAPI #AIagent
-
5000 UAH AI-аналізатор лідів з 8 RSS-каналів
AI та машинне навчання
Мета:
Створити автономного AI-асистента для моніторингу та кваліфікації фріланс-проектів для маркетинг-агенції (SEO/SMM/PPC). Ключова вимога — агрегація даних з 8+ різних RSS-стрічок, повна автоматична дедуплікація проектів для економії коштів та інтелектуальний аналіз кожного унікального ліда за допомогою OpenAI перед відправкою у Telegram-групу клієнта.
… Мій Внесок:
Проект мав дві фундаментальні проблеми:
Інформаційний Шум: Проекти з програмування (Python, PHP) та дизайну потрапляли у релевантні маркетингові категорії (напр., "AI" або "Боти").
Масові Дублікати: Один і той самий проект часто з'являвся у 3-4 різних RSS-стрічках одночасно, що призводило б до 3-4-х однакових сповіщень та, що найгірше, до 3-4-х кратної оплати за аналіз в OpenAI.
Мій внесок полягав у проектуванні складної, багатоетапної архітектури "конвеєра" в n8n. Я розробив "куленепробивну" систему дедуплікації, яка є серцем цього воркфлоу. Замість простої фільтрації, я поєднав "потокову" дедуплікацію (в межах одного запуску) з "постійною пам'яттю" (n8n Data Tables), гарантуючи, що жоден проект не буде проаналізований двічі, незалежно від того, коли і звідки він надійшов.
Рішення:
Фінальне рішення — це єдиний воркфлоу n8n, що працює за розкладом кожні 10 хвилин і складається з 5 логічних блоків:
1. Блок Збору та Агрегації:
Schedule Trigger запускає 8 паралельних нод RSS Read, кожна з яких моніторить свою категорію (SEO, SMM, PPC, Ліди тощо).
Нода Merge (Combine All) збирає всі 8 потоків в один масив проектів.
2. Блок Підготовки:
Нода Set (Edit Fields1) стандартизує дані та створює поле fullText (з title та content) для майбутнього аналізу.
3. Блок Дедуплікації (Ключовий Етап):
Data Table (Get row(s)): Завантажує з "пам'яті" (Processed_Leads) повний список guid всіх проектів, оброблених раніше.
Merge (Merge_Deduplicate): Використовує режим keepNonMatches. Він порівнює потік нових проектів (Input 1) зі списком старих guid (Input 2) і пропускає далі тільки ті проекти, яких немає у "пам'яті".
Remove Duplicates (Node 1): Прибирає дублікати в межах поточного запуску (на випадок, якщо один проект прийшов з 2-х RSS-стрічок одночасно).
Remove Duplicates (Node 2): Додаткова перевірка "на льоту" по внутрішній пам'яті n8n, гарантуючи 100% унікальність.
4. Блок AI-Аналізу та Збереження:
Message a model (OpenAI): Отримує тільки унікальні проекти. Промпт GPT-4o аналізує fullText і повертає JSON з оцінкою (score), причиною (reason) та маркером "сміття" (is_trash).
Data Table (Insert row): Негайно записує guid щойно проаналізованого проекту в "пам'ять" (Processed_Leads), щоб він більше ніколи не пройшов дедуплікацію.
5. Блок Сповіщення:
Code (JavaScript): Нода- "санітайзер", яка очищує title та reason від спеціальних символів (*, _, [ ]), що можуть зламати форматування Telegram.
Telegram (2 ноди): Надсилають ідеально відформатоване, проаналізоване повідомлення з оцінкою AI двом одержувачам — мені (для контролю) та в робочу групу клієнта.
Результат:
Створено повністю автономного AI-асистента, який моніторить 8 джерел 24/7. Клієнт отримав систему, яка:
Гарантовано економить гроші: 100% дублікатів фільтруються до відправки в OpenAI, запобігаючи зайвим витратам API.
Економить час: Клієнт отримує не "сирий" потік, а вже проаналізовані ліди з оцінкою (score) та коротким висновком (summary).
Висока релевантність: Інтелектуальний промпт в OpenAI додатково відсіює "сміття" (is_trash: true), яке просочилося через RSS.
Надійність: Використання Data Tables як постійної "пам'яті" гарантує, що навіть при перезапуску воркфлоу система не надішле старих проектів.
#n8n #OpenAI #GPT4 #WorkflowAutomation #LeadGeneration #RSS #APIIntegration #DataTables #Deduplication #Telegram #JavaScript #Freelance #MarketingAutomation #SEO #PPC #SMM #Автоматизація #Лідогенерація #Маркетинг
-
4200 UAH Розробка платіжного шлюзу WayForPay на n8n для Telegram-бота
AI та машинне навчання
Мета:
Створити повністю автономну систему керування підписками для Telegram-бота. Ключова вимога — інтеграція з українським платіжним сервісом WayForPay для автоматичного виставлення рахунків та активації доступу після оплати. Система повинна була надійно відстежувати статуси підписок, оновлювати дані користувачів у Google Sheets та відповідати суворим вимогам безпеки API WayForPay.
Мій Внесок:
… Проєкт розпочався з фундаментальної технічної проблеми: стандартні no-code платформи, такі як Make.com, не мають вбудованих інструментів для генерації та валідації криптографічних підписів HMAC-MD5, які є обов'язковими для роботи з WayForPay. Це робило пряму інтеграцію неможливою.
Мій внесок полягав у розробці "з нуля" нової архітектури на self-hosted n8n, яка повністю вирішувала цю проблему. Я спроєктував надійну двокомпонентну систему, розділивши логіку створення рахунків та обробки платежів на два окремих, але тісно інтегрованих воркфлоу, що забезпечило максимальну стабільність та легкість у налагодженні.
Рішення:
Фінальне рішення складається з двох оптимізованих робочих процесів в n8n, які забезпечують повний цикл обробки платежу.
Воркфлоу 1: Створення Рахунку
Серцем цього процесу є ланцюжок вузлів Crypto та Code.
Підготовка Запиту: За допомогою вузла Code динамічно формується ідеально структуроване JSON-тіло запиту, що гарантує правильність типів даних (числа, масиви), яких вимагає API.
Генерація Підпису: Вузол Crypto створює унікальний HMAC-MD5 підпис для вихідного запиту.
Створення Рахунку: Фінальний HTTP Request надсилає підписаний запит до WayForPay, отримуючи у відповідь унікальне посилання на оплату (invoiceUrl), яке негайно надсилається користувачу в Telegram.
Воркфлоу 2: Обробка та Валідація Платежу
Цей воркфлоу активується через Webhook після успішної оплати клієнтом.
Парсинг Даних: Перший вузол Code виявився критично важливим для "розпаковки" даних, оскільки WayForPay надсилав вебхук у неочікуваному форматі x-www-form-urlencoded.
Перевірка Безпеки: Ланцюжок Crypto -> IF виконує найважливішу функцію — відтворює HMAC-MD5 підпис з отриманих даних і порівнює його з підписом від WayForPay. Процес продовжується тільки за умови повного збігу та статусу Approved.
Оновлення Системи: У разі успішної валідації, нода Google Sheets оновлює статус підписки користувача, встановлює нову дату закінчення та скидає лічильники використання. Користувач отримує миттєве сповіщення в Telegram.
Завершення Транзакції: Фінальний ланцюжок нод генерує ще один підпис і надсилає через Respond to Webhook коректну відповідь для WayForPay, підтверджуючи успішне отримання вебхука.
Результат:
Успішно розроблено та впроваджено автономну платіжну систему, яка повністю автоматизувала процес керування підписками в Telegram-боті. Клієнт отримав надійний та безпечний воркфлоу, що працює 24/7 і гарантує:
Надійну інтеграцію зі складним API платіжного сервісу WayForPay.
Повну безпеку завдяки криптографічній валідації кожного запиту.
Миттєву активацію підписок та сповіщення користувачів без будь-якого ручного втручання.
Стабільну роботу завдяки розділеній архітектурі та коректній обробці відповідей.
#n8n #WayForPay #APIIntegration #WorkflowAutomation #Telegram #JavaScript #PaymentGateway #Webhook #HMAC #GoogleSheets #SubscriptionAutomation #BusinessAutomation #Автоматизація #ПлатіжнийШлюз
-
4435 UAH Система розумного розподілу лідів для CRM на базі n8n
Бази даних та SQL
Мета:
Створити повністю автономну систему для розподілу вхідних лідів між двома різними CRM-системами (кампаніями) за складними бізнес-правилами. Ключові вимоги включали: динамічне керування денними лімітами для кожної кампанії, обробку лідів виключно у визначені робочі години, послідовну відправку з випадковою затримкою та розробку надійної системи дедуплікації для запобігання повторним контактам.
Мій Внесок:
… Проєкт розпочався з виклику: існуючий процес обробки лідів був неефективним, не підтримував розподіл за квотами і призводив до надсилання дублікатів, що знижувало якість роботи менеджерів.
Мій внесок полягав у повному переосмисленні та розробці "з нуля" нової, надійної архітектури на self-hosted n8n. Я перейшов від простої лінійної логіки до більш просунутої архітектури "пакетної обробки", що дозволило значно підвищити продуктивність та надійність системи.
Рішення:
Фінальне рішення — це єдиний, оптимізований робочий процес в n8n, серцем якого є кастомний Code вузол на JavaScript. Цей "мозок" системи виконує всю аналітичну роботу за один прохід:
Завантажує контекст: Робить єдиний ефективний API-запит до Google Sheets для отримання всієї історичної інформації, уникаючи перевищення лімітів API.
Виконує дедуплікацію: Ідентифікує та відфільтровує нові ліди, email яких вже були успішно оброблені раніше.
Розподіляє за лімітами: Динамічно присвоює кожному унікальному ліду кампанію (Campaign A або Campaign B), відстежуючи денні квоти.
Після аналітичного блоку вмикається цикл (Loop Over Items), який забезпечує послідовну, індивідуальну обробку кожного ліда з реалізацією випадкової затримки перед фінальною відправкою через HTTP Request.
Результат:
Успішно розроблено та впроваджено автономну систему, яка повністю автоматизувала процес розподілу лідів. Клієнт отримав надійний воркфлоу, що працює 24/7 і гарантує:
- Чітке дотримання денних квот для кожної кампанії.
- Повне усунення дублікатів.
- Оптимальне навантаження на API зовнішніх сервісів.
#n8n #JavaScript #WorkflowAutomation #BusinessLogic #APIIntegration #GoogleSheets #CRM #Automation #NoCode #LeadDistribution #Debugging #WorkflowArchitecture #BusinessAutomation #Автоматизація
-
4200 UAH Персональний телеграм-асистент для управління завда-ми в Trello
Розробка ботів
Мета:
Розробити інтелектуального Telegram-асистента, який повністю забирає на себе рутину управління завданнями в Trello. Ключові вимоги: створення "єдиного вікна" в Telegram для швидкої постановки завдань, отримання проактивних нагадувань та можливість взаємодії з таск-менеджером за допомогою природної мови, мінімізуючи необхідність відкривати Trello.
Мій Внесок:
… Головний виклик у цьому проєкті — це не технічні обмеження API, а людський фактор: постійне "перемикання контексту" між месенджером, де відбувається комунікація, та таск-менеджером, що краде час і концентрацію.
Мій внесок полягав у розробці комплексної двонаправленої системи на базі self-hosted n8n, яка перетворює Telegram на повноцінний командний центр для Trello:
Інтелектуальна обробка вхідних команд: Я розробив робочий процес, що слухає повідомлення в Telegram і за допомогою логічного вузла Switch миттєво визначає намір користувача:
Просте завдання: Якщо повідомлення є стандартною задачею, воно негайно надсилається через API в Trello для створення нової картки у визначеному списку. Користувач отримує миттєве підтвердження.
Складний запит: Якщо команда потребує аналізу або генерації відповіді (наприклад, "підсумуй мої завдання на сьогодні"), запит передається моделі OpenAI (ChatGPT) для обробки, після чого структурована відповідь надсилається користувачеві.
Проактивна система нагадувань: Було створено другий, незалежний процес, який працює за розкладом (Schedule Trigger). Він автоматично:
Раз на день підключається до Trello і збирає всі картки з певного списку (наприклад, "Сьогодні").
Перевіряє, чи є в цьому списку завдання.
Якщо завдання є, він формує стислий звіт і надсилає його в Telegram як ранкове нагадування. Це гарантує, що жодне важливе завдання не буде пропущене.
Результат:
Успішно запущено персонального асистента, який працює 24/7 і значно підвищує особисту продуктивність. Рішення повністю знімає необхідність вручну переносити завдання з чатів у Trello та постійно перевіряти дошку.
Клієнт отримав:
Економію часу: Десятки рутинних операцій тепер виконуються однією командою в Telegram.
Підвищення фокусу: Зменшення кількості перемикань між додатками дозволяє краще концентруватися на виконанні завдань.
Надійний контроль: Автоматичні щоденні зведення не дають забути про пріоритети.
Фінальна архітектура, побудована на n8n, є надзвичайно гнучкою: можна легко додати нові команди, інтегрувати інші сервіси (наприклад, Google Calendar) або змінити логіку нагадувань без перебудови всієї системи.
#n8n #Trello #Telegram #TelegramBot #Automation #NoCode #WorkflowAutomation #API #APIIntegration #OpenAI #ChatGPT #Productivity #TaskManagement #Автоматизація #ЧатБот
-
4000 UAH Мульти-канальна система моніторингу тендерів
AI та машинне навчання
Мета:
Створити єдиний, повністю автоматизований потік сповіщень у Telegram, який агрегує релевантні тендери та проєкти з двох абсолютно різних джерел: українського державного порталу Prozorro та міжнародного API Світового банку.
Ключові вимоги:
…
Паралельна обробка: Одночасний моніторинг національних та міжнародних джерел.
Трансформація даних: Перетворення складних та різнорідних даних на єдиний, стандартизований формат.
Миттєві сповіщення: Оперативна доставка відформатованих звітів у Telegram.
Масштабованість: Архітектура, готова до легкого підключення нових API у майбутньому.
Мій Внесок:
Проєкт розпочався з виклику: інформація про релевантні тендери була розкидана по ізольованих державних та міжнародних порталах, кожен з яких мав унікальну структуру API, формат даних та правила доступу. Пряма агрегація була неможливою без комплексної обробки.
Мій внесок полягав у проєктуванні та розробці "з нуля" єдиної архітектури на self-hosted n8n, яка об'єднала ці різнорідні потоки даних в один потужний інструмент.
Аналіз та інтеграція різнорідних API: Я провів глибокий аналіз двох абсолютно різних API — Prozorro та World Bank. Це включало вивчення документації, визначення правильних ендпоінтів, параметрів запиту та, що найважливіше, — структури їхніх відповідей.
Трансформація складних даних: API Світового банку повертало дані у вкрай нетиповій структурі (об'єкт об'єктів замість масиву). Для вирішення цієї проблеми я написав кастомний скрипт на JavaScript у вузлі Code, який парсив цю структуру, нормалізував її та перетворював на стандартизований формат, готовий до подальшої обробки.
Побудова паралельного воркфлоу: Я розробив єдиний робочий процес, що запускається за розкладом і виконує дві паралельні гілки для кожного джерела. Система керує повним циклом:
Автоматичне отримання списків тендерів та проєктів.
Ітеративна обробка: Отримання детальної інформації для кожного запису окремо.
Динамічне форматування даних у читабельні повідомлення за допомогою вузла Code.
Об'єднання потоків через вузол Merge для створення єдиної черги сповіщень.
Результат:
Створено повністю автономний "радар" для відстеження тендерів, що працює 24/7.
Єдиний інформаційний канал: Клієнт отримує сповіщення з українських та міжнародних джерел в одному Telegram-чаті.
Економія часу: Система повністю автоматизує ручний процес моніторингу кількох сайтів.
Висока масштабованість: Архітектура з паралельними гілками та вузлом Merge дозволяє легко додавати нові джерела (наприклад, TED, UNGM) без необхідності перебудовувати всю логіку.
Надійність: Рішення працює на власному екземплярі n8n, що гарантує повний контроль, безпеку та відсутність сторонніх обмежень.
#n8n #API #APIIntegration #Automation #Prozorro #WorldBank #Telegram #TelegramBot #NoCode #JavaScript #WorkflowAutomation #DataParsing #BusinessAutomation #Автоматизація #ЧатБот
-
25 000 UAH Проєкт: AI-асистент для аналізу командних мітингів
AI та машинне навчання
Мета:
Створити комплексну AI-систему для автоматичної обробки аудіозаписів командних мітингів. Ключові вимоги — перетворення неструктурованих розмов на структуровані, готові до аналізу дані; створення багаторівневих самері для різних ролей (Owner, Team Lead, BizDev); та розробка інтерактивного AI-помічника для миттєвого доступу до корпоративної бази знань через Telegram.
Мій Внесок:
… Проєкт розпочався з виклику: ключова інформація компанії — рішення, проблеми та задачі — була "замкнена" всередині годинних аудіофайлів. Це робило її пошук та аналіз практично неможливим, змушуючи співробітників витрачати час на повторне прослуховування.
Мій внесок полягав у проєктуванні та розробці "з нуля" цілісної, багатокомпонентної архітектури на self-hosted n8n, яка перетворила пасивні аудіозаписи на активний та інтелектуальний ресурс.
Я стратегічно обрав стек PostgreSQL + Supabase, що дозволило поєднати надійність реляційної бази даних для структурованих звітів з потужністю векторного сховища для семантичного AI-пошуку.
Система складається з трьох взаємопов'язаних робочих процесів (workflows), які забезпечують повний цикл життя даних:
Воркфлоу №1 ("Фабрика Даних"): Цей процес слугує фундаментом усієї системи. Він автоматично приймає аудіозаписи, інтегрується із сервісом транскрипції, а потім за допомогою OpenAI генерує унікальні, кастомізовані самері для кожної ролі. Фінальні дані структуруются та зберігаються одночасно у PostgreSQL та векторизуються для Supabase.
Воркфлоу №2 ("Синтезатор Аналітики"): Працюючи за розкладом, цей воркфлоу агрегує щоденні самері з PostgreSQL, знову використовує AI для створення концентрованого стратегічного звіту за тиждень для власника, та автоматично розсилає персоналізовані зведення ключовим співробітникам (Team Lead, BizDev) у Telegram.
Воркфлоу №3 ("Інтерактивний AI-асистент"): Вінець системи — Telegram-бот, що слугує єдиною точкою доступу до бази знань. Я реалізував:
Розмежування доступу: Бот ідентифікує користувача та його роль через базу даних, відкриваючи відповідні функції.
Команди для адмінів: Можливість на вимогу генерувати звіти, запускаючи Воркфлоу №2.
RAG-пайплайн (Retrieval-Augmented Generation): Повноцінний механізм відповідей на питання. Бот перетворює запит користувача на вектор, знаходить релевантну інформацію в Supabase, готує контекст і генерує точну відповідь за допомогою OpenAI.
Результат:
Успішно розроблено та впроваджено автономний корпоративний "другий мозок", що працює 24/7. Клієнт отримав систему, яка перетворює розмови на структуровані активи, економить десятки годин робочого часу та дозволяє приймати рішення на основі даних, а не спогадів.
Архітектура є повністю масштабованою: додавання нових ролей, типів звітів чи джерел даних не вимагає перебудови системи. Рішення забезпечує миттєвий та безпечний доступ до інформації, гарантуючи, що кожен співробітник бачить лише ті дані, які йому призначені.
#n8n #PostgreSQL #Supabase #pgvector #OpenAI #Telegram #TelegramBot #Automation #NoCode #API #APIIntegration #RAG #LLM #AIassistant #WorkflowAutomation #BusinessAutomation #Автоматизація #ЧатБот
Відгуки та компліменти про виконані проєкти 11
15 січня
10 000 UAH
Таблиці, боти, автоматизація
Якість
Професіоналізм
Вартість
Контактність
Терміни
Все виконано швидко і професійно
|
27 жовтня 2025
5000 UAH
Дослідження та підготовка ТЗ
Якість
Професіоналізм
Вартість
Контактність
Терміни
Рекомендую Михайла як спеціаліста високого рівня, глибоке занурення в деталі, розуміння процесів, структурований підхід та швидка комунікація. Дякую за роботу!
Євген Глазунов
| Персональний | Відгук у відповідь
17 жовтня 2025
1216 UAH
Виправити помилки в n8n сценаріях та Supabase.
Якість
Професіоналізм
Вартість
Контактність
Терміни
Проект виконаний. Раджу для співпраці. Дякую
15 жовтня 2025
1500 UAH
Налаштування сценарію в make.com - Інтеграція Google Sheets, OpenAI та CRM
Якість
Професіоналізм
Вартість
Контактність
Терміни
Чудово розбирається в Make.com, швидко зрозумів, що саме потрібно реалізувати. Сценарії були налаштовані акуратно, логічно й без помилок. Усі процеси тепер працюють автоматично, економлячи купу часу.
Особливо сподобалось, що фрілансер завжди був на зв’язку, детально пояснював кожен крок.
Рекомендую як професійного, відповідального та приємного у спілкуванні спеціаліста!
Дмитрий Спецпром
| Персональний | Відгук у відповідь
31 липня 2025
10 000 UAH
Інтеграція Notion та Airtable
Якість
Професіоналізм
Вартість
Контактність
Терміни
Поставлена задача була виконана. Дякую за роботу
Никита Бутенко
| Персональний | Відгук у відповідь
24 червня 2025
4200 UAH
Бот ТГ для парсеру данних клієнта та взаємодія з АРІ Нова пошта для отримання ТТН
Якість
Професіоналізм
Вартість
Контактність
Терміни
Обираючи Михайла, Ви обираєте якість і індивідуальний підхід. Саме Михайло підійшов до завдання рішуче та детально. Провів хороший міт щоб вияснити всі болі процесу, запропонував кращі рішення ніж початкова концепція. Допоміг ефективно заощадити кошти на сервіси та підписки. Та головне - автоматизував процеси, котрі займали в 20 разів більше часу ручної роботи. Намітили співпрацю далі по розширенню автоматизації на інші процеси. Фінальний гайд по зробленій роботі, інструкції з використання, подальша підтримка - все це залишилось приємним бонусом! Рекомендую всім і кожному, хто хоче щоб бізнес був ефективним.
7 червня 2025
700 UAH
Аудит системи на базі Trello/Zapier/Make
Якість
Професіоналізм
Вартість
Контактність
Терміни
Михайло відмінно впорався з завданням аудиту нашої технічної системи. Підхід був дуже структурований: він швидко зрозумів суть, виявив ключові проблемні місця і запропонував зрозумілий і реалістичний план їх усунення. Все було представлене чітко, з пріоритетами і рекомендаціями щодо наступних кроків. Рекомендую для будь-яких завдань, пов’язаних з оптимізацією процесів.
Филипп Лысак
| Персональний | Відгук у відповідь
28 травня 2025
700 UAH
Налаштування Make.com для Збереження Даних та Базової Логіки
Якість
Професіоналізм
Вартість
Контактність
Терміни
Дякую Михайлу за виконаний проєкт. Зекономив дуже вагому суму грошей. Дуже рекомендую до співпраці.
Максим Гетьманский
| Персональний | Відгук у відповідь
23 травня 2025
5000 UAH
Розробка Телеграм бота (воронки продаж)
Якість
Професіоналізм
Вартість
Контактність
Терміни
Дуже приємно було працювати з Михайлом
Він все чітко виконав за всіма завданнями, які були необхідні, і додатково проводив консультації та намагався максимально мені допомогти
Буду рекомендувати його всім своїм знайомим, у яких з'являться такі завдання
23 травня 2025
3000 UAH
Частина 1.1: Налаштування Manychat та Базового Збору Даних
Якість
Професіоналізм
Вартість
Контактність
Терміни
Все швидко та по ТЗ. Буду рекомендувати
Максим Гетьманский
| Персональний | Відгук у відповідь
29 квітня 2025
702 UAH
Консультація щодо телеграм-бота
Якість
Професіоналізм
Вартість
Контактність
Терміни
Дуже крутий спеціаліст
Без води все чітко розповів
Активність
| Останні ставки 10 | Бюджет | Додано | Терміни | Ставка | |
|---|---|---|---|---|---|
|
AI-система моніторингу та аналітики тендерів Prozorro + Telegram Bot
25 000 UAH
|
|||||
|
Manychat
10 000 UAH
|
|||||
|
Необхідно автоматизувати процес через API
20 610 UAH
|
|||||
|
Автоматичне збирання презентацій зі звітів (Google Docs → Google Slides)
14 000 UAH
|
|||||
|
Інформаційний агент
10 000 UAH
|
|||||
|
Інтеграція Binotel з Telegram через n8n: сповіщення про нові номери (номери яких немає в базі)
7500 UAH
|
|||||
|
АІ-автоматизація
1200 UAH
|
|||||
|
Інтеграція AI-аналітики дзвінків (amoCRM + телефонія)
27 000 UAH
|
|||||
|
Створення AI бота, який допоможе в пошуку первинної документації з контрагентами/ клієнтами компанії
10 000 UAH
|
|||||
|
Бот для генерації відео та з фото
9000 UAH
|