Аналіз даних на Python - регулярне співробітництво

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?

Хочу бот готовий якщо є рішення - пишіть новачки - прохання не турбувати тільки досвідчені, ті хто справлявся і знає дякую.

Шукаємо спеціаліста з LLM, RAG та prompt engineering для аудиту й удосконалення вже створеного ШІ-асистента операторів контакт-центру мережі медичних центрів. Це не розробка з нуля. Наразі асистент працює в середовищі ChatGPT та використовує: власну навичку з інструкціями SKILL.md; базу знань у Project Sources; структуровані Markdown-файли, автоматично сформовані з CSV-вивантажень медичної інформаційної системи; окремі індекси цін, виконавців, підрозділів, пакетів, обладнання та рекомендованих комбінацій послуг. База містить приблизно: 2 700+ медичних послуг; 90+ пакетів і комплексів; 300+ рекомендованих комбінацій; 600+ хірургічних втручань; ціни за різними підрозділами; виконавців, адреси, підготовку, обладнання та іншу довідкову інформацію.Що має робити асистент За запитом оператора асистент повинен швидко надавати перевірену відповідь: чи надається потрібна послуга; точний код, назву та ціну; у яких підрозділах вона доступна; хто з лікарів або інших спеціалістів її виконує; як підготуватися; який пакет або комплекс вигідніше запропонувати; які супутні послуги доцільно запропонувати; яка послідовність комплексного запису; які є дешевші або альтернативні варіанти; для операцій — окремо базову ціну та орієнтовну загальну вартість випадку хірургічного лікування. Асистент не повинен вигадувати ціни, виконавців, підготовку, медичні показання або переносити інформацію між схожими послугами.Наявні проблеми Система вже працює, але потребує підвищення стабільності пошуку та якості відповідей. Зокрема: модель інколи знаходить основну послугу, але пропускає рекомендовані комбінації; не завжди витягує окремі поля з великих Markdown-файлів; може знаходити базову ціну операції, але пропускати загальну вартість хірургічного випадку; результати залежать від структури та розміру файлів у Project Sources; потрібно оптимізувати індекси, маршрутизацію джерел і правила пошуку; потрібно забезпечити однаково якісні відповіді на короткі, неточні та розмовні запити операторів. Наприклад, простий запит «холецистектомія» повинен одразу повернути доступні варіанти операції, коди, базові ціни, загальну вартість лікування, підрозділи, виконавців та пов’язані послуги.Завдання спеціаліста Провести аудит чинного SKILL.md, структури бази знань і логіки пошуку. Проаналізувати причини пропуску даних під час retrieval. Запропонувати оптимальну архітектуру бази знань для ChatGPT. Удосконалити або переписати SKILL.md. Оптимізувати структуру Markdown-файлів та компактних індексів. Налаштувати обов’язковий пошук: пакетів і комплексів; рекомендованих комбінацій; цін за підрозділами; виконавців; вартості випадку хірургічного лікування. Перевірити генератор бази знань із CSV-вивантажень та за потреби вдосконалити Python-скрипти. Створити набір контрольних запитів і критеріїв оцінювання відповідей. Провести тестування на реальних сценаріях контакт-центру. Надати фінальну документацію для подальшого оновлення та підтримки системи.Очікуваний результат Маємо отримати стабільного асистента, який: відповідає українською мовою; не пропускає критично важливі дані; повертає лише інформацію, підтверджену базою знань; правильно розрізняє послуги, пакети та рекомендовані комбінації; показує код, назву, ціну, підрозділ і виконавця; для операцій розділяє базову ціну та повну вартість лікування; пропонує оператору конкретний сценарій подальшого запису пацієнта; стабільно працює після наступних оновлень CSV-вивантажень; працює відносно швидко.Вимоги до виконавця Потрібен спеціаліст із практичним досвідом: ChatGPT Projects, Custom GPT або ChatGPT Skills; LLM, RAG, retrieval та семантичного пошуку; prompt engineering; проєктування баз знань для мовних моделей; Markdown, CSV, JSON/JSONL; Python для обробки та перетворення даних; тестування якості відповідей LLM. Буде перевагою досвід із медичними інформаційними системами, контакт-центрами або великими каталогами послуг. Ми шукаємо не лише автора промтів, а спеціаліста, який розуміє обмеження пошуку у великих джерелах, фрагментацію контексту та способи побудови надійних індексів.Що надати у пропозиції Просимо коротко зазначити: Ваш досвід із ChatGPT, RAG або корпоративними базами знань. Приклади схожих реалізованих проєктів. Як би ви підійшли до діагностики пропуску окремих полів у великих файлах. Орієнтовні строки та вартість аудиту й доопрацювання. Чи готові ви підписати угоду про конфіденційність. Персональні дані пацієнтів у межах цього проєкту не передаватимуться. Остаточна вартість робіт буде узгоджена після уточнення Технічного Завдання між Замовником та Виконавцем.

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.