Необхідно розробити сервіс на базі Claude або іншої підходящої AI-моделі, який зможе автоматично знаходити компанії-конкуренти, зв’язуватися з ними по електронній пошті та телефону, збирати необхідну інформацію та заносити результати в єдину таблицю. Основна задача сервісу Користувач задає конкретний запит, наприклад: - дізнатися вартість певного виду м’яса; - дізнатися ціну на конкретний вид деревини; - уточнити вартість товару або послуги; - перевірити наявність продукту; - дізнатися терміни виконання замовлення; - отримати умови співпраці. Після цього система повинна: 1. Знайти підходящі компанії. 2. Зібрати їх контактні дані. 3. Відправити їм персоналізовані листи. 4. Подзвонити компаніям за допомогою AI-бота. 5. Отримати відповіді на задані питання. 6. Зберегти всі результати в Google Sheets або іншу таблицю. Під кожну нову задачу користувач повинен мати можливість змінювати пошукові запити, критерії відбору, текст листа та сценарій телефонної розмови. Етап 1. Збір бази компаній Етап 2. Email-розсилка та збір відповідей Етап 3. AI-обдзвон компаній --- Важливі технічні вимоги - Можливість використовувати Claude для генерації листів, аналізу відповідей та управління діалогом. - Можливість замінити AI-модель без повної переробки системи. - Інтеграція з Google Sheets. - Інтеграція з Gmail або іншим поштовим сервісом. - Інтеграція з сервісом AI-телефонії. - Історія всіх листів, дзвінків та змін. - Можливість зупинити або поставити завдання на паузу. - Контроль витрат на дзвінки, листи та AI-запити. - Обмеження кількості дзвінків на день. - Захист від повторної відправки листів та повторних дзвінків одній компанії. - Дотримання законодавства про телефонні дзвінки, запис розмов, email-розсилки та використання персональних даних. --- Очікуваний результат В результаті повинен вийти сервіс, в якому користувач створює завдання, вказує, яку інформацію необхідно дізнатися, обирає географію та джерела, після чого система самостійно: 1. Збирає базу компаній. 2. Знаходить контактні дані. 3. Відправляє персоналізовані листи. 4. Обдзвонює компанії за заданим сценарієм. 5. Аналізує відповіді. 6. Формує єдину таблицю з результатами. 7. Показує, з якого джерела була отримана кожна інформація. Для першого обговорення з розробником також варто попросити окремо оцінити вартість і терміни MVP, автоматичного парсингу, AI-телефонії та щомісячної інфраструктури.
Ставки приховані
Ставки поки відсутні
Ставки приховані
Ставки приховані
-
Владимир Сосницкий 21 березня 2019aws очень классная, куча функционала крутого и все из коробки.
но главный ее недостаток - это стоимость. посчитайте во сколько Вам обойдется распознавание одного видео и умножите потом на колличество видео, которое есть в Вашей коллекции. думаю там будет очень крутая сумма
-
Евгений Краковский
22 березня 2019
Сумма выходит крутая, в зависимости от того, насколько круто ты используешь AWS
Одиночное пользование подпиской AWS вполне доступно, для проведения тестов и предварительного запуска проектов. AWS в принципе рассчитан минимум на компанию в несколько сотрудников. Работая в небольших масштабах платить много не прийдется
-
Александр Грейман 21 березня 2019Доброго времени суток. Работаю на тв вот уже 13 лет (на двух местных каналах). В своё время мы с архивариусом начали инициировать подобное решение, но естественно от руководства не поступило материальной поддержи, и мы "на коленках" разрабатывали веб систему, я движек, он фронт-и бэк-енд. Сейчас я сменил работу, точно не могу сказать в каком состоянии наше детище, но наработки есть. Интересует, рассматриваете ли Вы модульное сотрудничество? К примеру распознавание сцен с разной чувствительностью было реализовано довольно не плохо.
-
Евгений Краковский
22 березня 2019
проект отрыт для модульного сотруднечества! Очень интересует работа с машинным анализом видео
-
Александр Л. 26 березня 2019Добрый день. Мне кажется, что Вам нужно сначала хорошо формализовать задачу, в каком виде ваша проблема должна решаться.
В начале нужно составить хотя бы базовый список категорий объектов и сцен, которые вы хотите распознавать на видео. Есть как бы очень обобщенная база:"Кто-то сделал что-то там-то в такое-то время." Но она больше подходит к коротким моносюжетным роликам.
Задачи нужно решать от легкого к сложному
1) начинать сперва с распознания всех голосов на видео в тексты. И очень много данных (например по новостным видео дают именно тексты). Тут можно классифицировать и уже предметно работать.
2) музыкальных\звуковых сопровождений, чисто для информации и еще можно обнаруживать выстрелы оружия, крики и т.д. и уже можно ставить метки на видео
3) распознавать лица на видео и сопоставлять с базой известных личностей
3.1) Сопоставлять голоса и звуки с распознанными личностями
4) распознавать предметы, вещи и локации
5) и самое невероятно сложное - пытаться распознать сцены - действия производимые распознанными объектами (выполнил выстрел, побежал, танцует смеется)
Потом смело откинуть 5-й и остановиться на 1-3 и пытаться достигнуть результатов решения поставленной задачи. И потом только переходить к пункту 4.Конечно все это зависит от Ваших конкретных задач и целей.
-
Nazar Nikitchenko 28 березня 2019Здравствуйте, я работал с амазоном, в т.ч. с Amazon AWS Recognition, Lambda, S3, ...
тема интересная, но из описания - ничего не понятно - чего
Вы хотите.Вы для разработчиков предлагаете способы решения, не описав задачу. Т.н. Ваша "Цель" - это что-то эфемерное для разработчика
- вместо ссылок на AWS лучше бы дали одну общую https://aws.amazon.com/, и название самих сервисов
- и с чего Вы решили что именно эти сервисы нужно использовать?
- каков бюджет / временные рамки ?
-
Евгений Краковский
31 березня 2019
Доброй ночи. Благодарим Вас, что обратили внимание на Наш проект. Проще говоря нужен интерфейс ( вэб интерфейс, дэсктоп интерфейс. В приоритете web) Для работы над распознанием видео, на платформе AWS.
-
Nazar Nikitchenko 1 квітня 2019
пожалуйста напишите в личку свой скайп или почту
Актуальні фриланс-проєкти в категорії AI та машинне навчання
Потрібно розробити промпт для ШІ (бажано Gemini але можна пропонувати альтернативу), при якому ми зможемо використовувати конкретну стилістику для генерації зображень. ШІ повинно взяти за основу стиль і не змінюючи його, створювати всі необхідні нам форми предметів чи людей з максимально прогнозованим результатом. Наприклад генерувати персонажів по фото, які будуть схожі на реальну людину, та органічно інтегрувані у загальну сцену зі збереженням стилю
Всім привіт! Зараз на ринку дуже багато селлерів, які продають токени claude через проксі Мені необхідно протестувати різних селлерів і зрозуміти, яке API працює найбільш справно для кодування claude code Потрібно буде авторизовуватися через термінал в claude code і дивитися на стабільність роботи API (проганяти під навантаженням) і знайти найбільш оптимальний Хто зараз може взяти в роботу?
Шукаю виконавця для побудови системи AI-агентів, яка автоматизує маркетинговий і продажовий конвеєр: від генерації контенту до сегментації лідів у CRM і аналітики гіпотез. Нижче - задачі, згруповані за функціональним призначенням. Скільки саме сервісів/агентів буде в підсумковій архітектурі і на якому стеку - вирішуєте ви, виходячи з власного досвіду. Головне, щоб рішення покривало всі задачі нижче, було робочим, підтримуваним, масштабованим та обов'язково мало зручний механізм рев'ю/затвердження результатів людиною перед публікацією чи запуском реклами. Блок 1. Генерація контенту (мультиканальний копірайтинг)Один або кілька генеруючих генеруючий модулів, що видають тексти під різні формати на основі матеріалів проєкту (програми курсів, інтерв'ю, ефіри): Тексти лендінгів Email-послідовності: прогрівні ланцюжки, розсилки Пости в Telegram-бот/канал Рекламні тексти для Meta, включно з варіантами під різні гіпотези Контент-план і пости для Facebook / Instagram / Telegram Статті для блогу (в тому числі на основі транскрибованих відео — див. Блок 3)Блок 2. Виробництво фінальних матеріалівПеретворення готового тексту в кінцевий артефакт, готовий до публікації: Лідмагніти — верстка і збірка готового PDF (чек-листи, гайди) з інтеграцією Canva/Figma для редагування Рекламні креативи Meta — статичні візуали з ресайзами під формати кампаній Лендінги на Framer — структура сторінки, наповнення CMS, збірка готової сторінки під запуск.Блок 3. Відео → блог Транскрибація відео (ефіри, інтерв'ю, воркшопи) Нарізка транскрипту на статті, що ведуть у воронку Публікація в блог на основному сайті (блогу зараз немає — можливо, потрібна блог-секція на Framer CMS; відкрите питання: чи може її створити сама система, чи це окрема задача)Блок 4. Інтеграція з рекламним кабінетом Meta Вивантаження готових текстів і креативів у кабінет Тегування оголошень/кампаній за гіпотезамиБлок 5. CRM та лід-роутинг Автоматична сегментація лідів у Telegram-боті (був/не був на заході, гілка воронки, офер) Передача сегментів у CRM Автотегування нових лідів у CRM при потраплянні у воронку (через реєстрацію)Блок 6. Аналітика гіпотез Формування таблиці/дашборду гіпотез: витрати/результат по кожній воронці, лід-магніту, креативу. Періодичний АІ-аналіз з рекомендаціями: що масштабувати, що зупинити Оцінка конверсійності лендінгівЩо очікуємо у відгуку Бачення архітектури — як би ви розбили ці 6 блоків на агенти/сервіси, на якому стеку (оркестрація, генерація, зберігання даних). Портфоліо/кейси — приклади подібних систем автоматизації (маркетинг, ліди, контент-генерація). Орієнтовна оцінка термінів і вартості, бажано поетапно. Питання по ТЗ, якщо щось незрозуміло.
Шукаємо досвідченого Python/AI-розробника (або невелику команду) для створення ІІ-сервісу на базі Telegram-бота. Проект автоматизує прийом замовлень від майстрів і сервісних центрів на діючому B2B-майданчику запчастин для мобільної техніки та електроніки (каталог ~30 000 SKU). Що повинен робити бот:Мультимодальний ввід: приймати текст, голосові повідомлення (Whisper API) та фото деталей/маркувань (GPT-4o Vision), розпізнавати номенклатуру, ревізії та парт-номери.Розумний пошук: співвідносити жаргон майстрів (аккум, АКБ, дисплей, ориг) з офіційними назвами через векторний пошук (Vector DB).Інтерактивний UI: при кількох варіантах якості (Original, High Copy тощо) — групувати їх в одне повідомлення, виводити інлайн-чекбокси з цінами та залишками, перераховувати кошик «на льоту».Каскадні уточнення (Slot Filling): при неоднозначному запиті поетапно уточнювати параметри (модель → колір → ревізія).Оформлення: автоматично надсилати готовий JSON-пакет замовлення на сайт через API після підтвердження кошика.Стек: Python (FastAPI), Aiogram 3.x, OpenAI API (GPT-4o + Whisper), Qdrant, Docker + docker-compose. Термін реалізації: 5–7 тижнів.⚠️ Обов'язкова умова для відповіді: Щоб відсіяти авто-відповіді спам-ботів, вкажіть у повідомленні: яку модель ембеддингів (Embeddings) ви виберете для векторного семантичного пошуку по 30 000 технічних SKU і чому? Відповіді з шаблонним текстом без відповіді на це питання відхиляються автоматично.