Кращі роботи фрілансерів по машинному навчанню на Freelancehunt — приклади виконаних робіт фрілансерів по machine learning в Україні ― сторінка 5

Switch to English version?

Yes

Переключитись на українську версію?

Так

Переключиться на русскую версию?

Да

Przełączyć się na polską wersję?

Tak

3500 UAH
Модель нейронной сети для прогнозов значений

AI та машинне навчання

Реализована нейронная сеть для прогноза значений по предложенной выборке. Также включен прогноз с помощью экстраполяции исходных значений.
Реализовано приложение с помощью Python 3 (графическая библиотека Tkinter), библиотек Tensorflow + Keras, NumPy.
Графики по исходным значениям строятся с помощью библиотеки matplotlib, на них строятся точки двух прогнозов.
Данные загружаются в формате JSON, результат выводится на экран в виде графиков.
… Проект собран в исполняемый файл и может быть развернут в любом окружении.
#python #tensorflow #matplotlib #keras

max_bohoyavlenskiy
3500 UAH
Модель нейронной сети классификации деталей ЕСКД

AI та машинне навчання

Рабочая модель нейронной сети по классификации деталей ЕСКД класс 71 (есть возможность расширить рабочую базу), обученная на небольшой выборке данных. Разработан препроцессинг с расширением рабочей выборки путем транформаций/масштабирования/поворотов исходных изображений.
Реализована на Python 3 с использованием библиотек Tensorflow + Keras, SciPy. Достигнута относительно высокая точность классификации (~80%).
#Python3 #tensorflow #keras #CNN #tkinter

max_bohoyavlenskiy
Коротко про головне

AI та машинне навчання

#сайт-портфолио

Max_Posmashnyi
НейроЛабиринт — платформа параллельного обучения агентов

AI та машинне навчання

Это высокопроизводительная система обучения с подкреплением, построенная вокруг многoагентной среды Maze RL, оптимизированная под реальные вычислительные нагрузки и масштабирование.

Проект реализует полностью векторизованную симуляцию, где одновременно обучаются десятки агентов в одной и той же среде. Архитектура специально спроектирована так, чтобы уходить от классического single-agent подхода и заменять его на параллельное обучение с общей средой, что радикально увеличивает эффективность использования вычислительных ресурсов.

… Каждый агент работает независимо, но в рамках единой среды, что позволяет моделировать конкурентное и коллективное поведение одновременно. Система поддерживает батчевую обработку наблюдений и действий, где все агенты проходят forward pass одной операцией, без N отдельных вызовов модели. Это даёт существенный прирост производительности и делает систему пригодной для масштабирования до сотен агентов.

Среда построена на процедурной генерации сложных лабиринтов с контролируемой структурной энтропией: циклы, ловушки, тупики, ложные пути и узкие коридоры. Это создаёт богатое пространство для обучения, где агент не может полагаться на тривиальные стратегии и вынужден формировать устойчивую политику навигации.

Система поддерживает динамическую визуализацию на Pygame, где одновременно отображаются все агенты в реальном времени, включая их позиции, прогресс и агрегированную статистику обучения. При необходимости визуализация отключается, и система переходит в высокоскоростной headless режим, достигая тысяч агент-steps в секунду на CPU.

Обучение построено на DQN-архитектуре с replay buffer, target network и epsilon decay, адаптированными под многoагентный режим. Вместо классического эпизодического цикла используется потоковый шаговый тренинг, где обновления модели происходят непрерывно по мере поступления опыта от всех агентов.

В результате получается система, которая одновременно является исследовательской платформой и инженерным инструментом: она демонстрирует поведение сложных RL-агентов в условиях плотной параллелизации, позволяет тестировать стратегии масштабирования и визуально наблюдать коллективное обучение в реальном времени.

По сути это не просто тренажёр агента, а полноценная среда для разработки и стресс-тестирования алгоритмов обучения с подкреплением в мультиагентных сценариях с высокой плотностью взаимодействия.

Gega_from_Kyiv
AI Контент Двигун — 30 Постів за $1

AI та машинне навчання

Повна замкнена система контенту, яка пише в голосі бренду, 6 з'єднаних сценаріїв Make.com: ЗАВАНТАЖЕННЯ: завантажує голос бренду, болі аудиторії, вектори в Pinecone ГЕНЕРАЦІЯ: запити RAG векторів, структурований запит до Claude, 6 варіантів чернетки ІНТЕГРАЦІЯ WEBHOOKS: єдиний конвеєр, що може бути активований з форм Slack або інших сценаріїв ПУБЛІКАЦІЯ: публікує затверджений варіант на LinkedIn та X через Buffer ЗВОРОТНІЙ ЗВ'ЯЗОК: збирає метрики залучення, автоматично додає найкращі пости назад до Pinecone як стилістичні посилання ПЕРЕВІРКА REDDIT: моніторить сабреддіти на предмет свіжих болів аудиторії, автоматично оновлює мову аудиторії

https://www.loom.com/share/3e08552f874f407bad4b558bd0bdf9d8

… #make.com #pinecone #claude #promptengineering #Buffer

vkarasov
Голосовий AI-агент для ріелторського агентства (RAG)

AI та машинне навчання

Побудував RAG-пайплайн для агента, що автономно дзвонив клієнтам
та консультував їх. Основна складність -- scoring та ранжування retrieved-чанків у контексті живого дзвінка: реалізував query
rewriting, hybrid search (keyword + vector), re-ranking за релевантністю. Налаштував embedding-модель на корпусі документів про
об'єкти нерухомості. Агент ескалировал граничні кейси через HITL.

Kir_k
Аі мейкер обкладинок для пісень

AI та машинне навчання

(Pinterest → Stable Diffusion XL + LoRA (Gradio UI))

Інструмент для генерації обкладинок для музичних релізів, який спрощує шлях від візуального натхнення до готового дизайну. Рішення поєднує референсні зображення з Pinterest зі Stable Diffusion XL і LoRA в зручному веб-інтерфейсі на базі Gradio.

… Розроблено для музичного виконавця: дозволяє швидко знаходити візуальні референси, адаптувати стиль і генерувати унікальні обкладинки за допомогою image-to-image підходу на локальному diffusion-пайплайні

serenitymea
AI Асистент для ServiceFusion: Запит роботи через чат, а не кліки

AI та машинне навчання

Ситуація
Оператор польового обслуговування, що працює на ServiceFusion, хотів, щоб диспетчери та офісний персонал перестали переходити через меню щоразу, коли їм потрібно перевірити історію роботи клієнта, відкрити оцінки або побачити, який технік призначений на роботу. Команда вже використовувала Claude для інших завдань. Очевидний наступний крок: дозволити Claude спілкуватися безпосередньо з ServiceFusion.

Проблема
… ServiceFusion надає REST API, але AI асистенти не можуть викликати його безпосередньо. Протокол контексту моделі (MCP) є новим стандартом для надання AI клієнтам структурованого доступу до зовнішніх інструментів, і жодного MCP сервера для ServiceFusion не існувало. Правильне створення одного означало вирішення трьох проблем одночасно:

Життєвий цикл токена OAuth2. ServiceFusion використовує короткочасні токени доступу, які закінчуються і повинні бути оновлені прозоро, щоб AI ніколи не стикався з помилкою авторизації під час розмови.
Багатокористувацькість. Один екземпляр сервера повинен був ізолювати облікові дані та API виклики для кількох компаній, кожна з яких має свій обліковий запис ServiceFusion.
Самообслуговування при onboarding. Оператор не хотів вручну налаштовувати кожного нового орендаря.

Рішення
Я створив багатокористувацький MCP сервер на Node.js та TypeScript, який знаходиться між AI клієнтами (Claude, Cursor, ChatGPT) та ServiceFusion. Він надає 13 структурованих інструментів, що охоплюють основні сутності, які насправді використовують диспетчери: клієнти, роботи, оцінки, техніки та обладнання.

Сервер обробляє два незалежні шари OAuth2. Один аутентифікує вхідні AI клієнти до MCP сервера. Другий керує власними токенами ServiceFusion сервера, включаючи автоматичне оновлення з блокуванням конкурентності, щоб одночасні запити ніколи не викликали дублювання оновлень.

Всі чутливі облікові дані (ідентифікатори клієнтів, секрети, токени) шифруються в спокої за допомогою AES-256-GCM у Supabase PostgreSQL. Нові орендарі самостійно реєструються через REST API, підтверджують через OTP і надають свої облікові дані ServiceFusion для активації. Жодної ручної роботи оператора при реєстрації.

Легка адміністративна панель дозволяє оператору переглядати використання за орендарем, регулювати ліміти швидкості та активувати або деактивувати облікові записи.

Технічний стек: Node.js 20, TypeScript, @modelcontextprotocol/sdk, Express, Supabase (PostgreSQL), шифрування AES-256-GCM, Zod, Winston, Docker, nginx, Let's Encrypt

Результати
13 MCP інструментів працюють з клієнтами, роботами, оцінками, техніками та обладнанням
Жодної ручної налаштування для орендаря. Процес реєстрації та активації через OTP
Прозорий OAuth2. Токени, що закінчилися, автоматично оновлюються з захистом від гонки
Ліміти швидкості для кожного орендаря (безкоштовні, професійні, корпоративні рівні) забезпечуються на рівні запиту
Повне відстеження використання (назва інструменту, кінцева точка, код статусу, час відповіді) реєструється для кожного орендаря для виставлення рахунків та аналітики
Розгорнуто в продукції на Hetzner VPS за nginx з SSL, співіснуючи з братнім MCP сервером на тому ж хостингу

Як це працює
1. Орендар надсилає POST запит на /api/register з назвою компанії та електронною поштою, отримує 6-значний OTP
2. Орендар підтверджує через /api/confirm, а потім активує, надаючи облікові дані OAuth ServiceFusion
3. Облікові дані шифруються за допомогою AES-256-GCM і зберігаються в Supabase
4. AI клієнт (Claude, Cursor) викликає /mcp з токеном доступу; проміжне програмне забезпечення ідентифікує орендаря та перевіряє ліміт швидкості
5. При виклику інструменту сервер перевіряє дійсність токена і автоматично оновлює його, якщо він закінчився
6. Структурована відповідь повертається до AI клієнта, а виклик реєструється для аналітики використання

glivera
Автоматизоване дослідження аукціону податкових актів FL: години роботи, нульовий клік

AI та машинне навчання

Автоматизоване дослідження аукціонів податкових актів у Флориді: години роботи, нуль кліків
Ситуація
Аукціони податкових актів у Флориді перераховують десятки до сотень об'єктів за день аукціону в кількох округах. Серйозний учасник аукціону повинен перевірити кожну ділянку перед аукціоном: площа, зони, ризик затоплення, доступ до дороги, оціночна вартість, аерофотознімок. Дослідження проводиться на шести різних порталах оцінювачів майна округу, картах затоплення FEMA, супутникових знімках Google Maps, Street View та службах меж ділянок, таких як id.land. Кожен округ має свій власний незвичайний SPA. Кожна точка даних знаходиться на різній вкладці.

… Проблема
Ручне дослідження в день аукціону займає від чотирьох до шести годин для списку одного округу. Помножте на шість округів, і математика ламається: учасники аукціону або пропускають ділянки, або не помічають сигнали ризику затоплення, або роблять ставки наосліп. Нудьга є справжньою вартістю. Досвідчений інвестор повинен фільтрувати та аналізувати, а не копіювати та вставляти ідентифікатори ділянок у шість різних форм.

Цільовий оператор достатньо досвідчений, щоб самостійно хостити та хоче повний контроль над своїми даними, API-ключами та інфраструктурою збору даних. Ніякого блокування SaaS, ніяких плат за місце, ніякої передачі власної інвестиційної логіки постачальнику.

Рішення
Я створив самостійно хостингову платформу інтелекту, яка перетворює години ручного дослідження на порталах округу в нічний потік. Оператор запускає один потік, йде геть і прокидається з фільтрувальним коротким списком ділянок аукціону, ранжованих за вердиктом ШІ.

Як працює потік (7 етапів, на основі подій):

1. Збирає списки з realtaxdeed.com за допомогою Surfshark VPN (сайт блокує неамериканські IP-адреси та небраузерні агенти користувача). Обробляє багатоступеневий вхід з до 5 послідовних сторінок повідомлень, пагінує через всі аукціонні предмети.
2. Збирає дані про майно з порталу оцінювача кожного округу. Округ Патнам сам по собі вимагав розділення ідентифікаторів ділянок, таких як 01-10-26-0250-0270-0081, на 6 окремих полів форми всередині SPA.
3. Визначає GPS-координати через id.land, відхиляючи модальні вікна та навігацію через випадаючі списки штат/округ/ділянка.
4. Захоплює скріншоти: супутникові знімки Google Maps, Street View, межі ділянки id.land, зону затоплення FEMA.
5. Перевіряє зону затоплення FEMA, використовуючи не задокументований параметр URL ArcGIS &extent= (замінює крихкий автоматизований потік пошуку UI).
6. Виконує аналіз ШІ через Claude Sonnet 4 з tool_use для структурованого виходу: числові підбали (якість землі, ризик затоплення, доступ до дороги, розвиток, вартість), загальний бал 0-100, позначки, обґрунтування та вердикт купити/переглянути/пропустити.
7. Записує результати в Supabase, які виводяться в реальному часі на панель управління React через підписки в реальному часі.

Технологічний стек: NestJS, Playwright, BullMQ, Redis, Supabase (PostgreSQL + Storage + Realtime), API Claude Sonnet 4, React, Vite, Tailwind, Leaflet, Docker Compose, Caddy, Surfshark VPN через gluetun.

Результати
- Години ручного крос-портального дослідження замінені одним тригером потоку
- Кінцевий потік працює для округу Патнам: 10/10 ділянок зібрано, 10/10 GPS визначено, 40 скріншотів захоплено за один запуск
- Вартість ШІ калібрована приблизно на $0.012 за ділянку для повного аналізу зору
- Система конфігурації для 6 округів дозволяє новим округам підключатися через конфігураційні файли плюс стратегію процесора
- Архітектура самостійного хостингу зберігає всі дані, API-ключі та інфраструктуру збору даних під контролем оператора
- Панель управління в реальному часі показує запуски потоку, деталі ділянок, стан черги, вердикти ШІ, експорт CSV, інтерактивну карту

Як це працює (перегляд оператора)
1. Оператор натискає "Запустити потік" на панелі управління (або POST до API)
2. Система збирає сторінку списку аукціону, створює запис ділянки для кожного предмета
3. Кожна ділянка проходить через всі 7 етапів автоматично
4. Панель управління оновлюється в реальному часі, коли ділянки завершують кожен етап
5. Коли аналіз ШІ закінчується, оператор бачить ранжований, фільтрувальний список з вердиктами
6. Експорт у CSV або детальний перегляд ділянки з усіма скріншотами поруч

glivera
Оброблено 3M+ записів актів: Дослідження власності від днів до хвилин

AI та машинне навчання

Ситуація
Засновник юридичної технології, що базується в США, створював платформу для дослідження нерухомості для адвокатів з нерухомості: юристів, які шукають недооцінені земельні ділянки як інвестиційні можливості для своїх клієнтів. Їхня робота залежить від знаходження специфічної мови, захованої в записах про право власності, такої як сервітути, обмеження, права доступу та положення про межі.

Перед цим проектом знаходження правильних ділянок означало ручний пошук у DataTree та базах даних округів, читання окремих PDF-документів про право власності та перехресне посилання з податковими картами, даними зони та демографічними даними на окремих вкладках. Один кваліфікований лід міг займати дні. Деякі питання не можна було відповісти взагалі.
…
Проблема
Адвокати втрачали угоди, оскільки вартість дослідження була занадто високою. Кожну нерухомість потрібно було перевіряти вручну за критеріями ключових слів, а потім збагачувати геоданими та записами інфраструктури з чотирьох різних джерел. Засновник намагався використовувати ручні обхідні рішення та готові інструменти. Нічого не пов'язувало джерела. Нічого не фільтрувало за специфічною юридичною мовою, яку його клієнти повинні були знайти.

Питання полягало не в "чи можемо ми зробити це швидше?" А в "чи можемо ми зробити питання, на які раніше не можна було відповісти, такими, на які можна відповісти?"

Рішення
Я побудував платформу для інтелектуальної нерухомості з двома шарами.

Фронтенд - це React SPA, розгорнута на Vercel, де адвокати шукають, фільтрують і переглядають нерухомість. Кожен результат відкривається в детальному перегляді з історією права власності, обмеженнями розміру ділянки, податковими картами, інфраструктурою та демографічними даними округу, всі дані динамічно відображаються з бекенду Supabase з контролем доступу на рівні рядків.

Бекенд - це n8n як API. Замість того, щоб запускати n8n як "клей для автоматизації", я використовував його як виробничий API-інтерфейс для конвеєра обробки прав власності. Коли адвокат запускає пошук за ключовими словами, запит проходить через функцію Supabase Edge до вебхуків n8n. Конвеєр отримує записи про право власності з DataTree, фільтрує за юридичними ключовими словами, збагачує відповідності геоданими Zonomics, проводить аналіз за допомогою Claude (OpenRouter) і записує прогрес назад до Supabase в реальному часі. Адвокати бачать етапний прогрес, коли записи співпадають і збагачуються.

Ця архітектура надала засновнику бекенд, який повністю контролюється, легко модифікується і швидко розширюється: нові джерела даних або етапи аналізу доставляються за години, а не спринти. Щоб підтримати цю швидкість, я створив спеціальний набір інструментів Claude Code, який програмно керує робочими процесами n8n (створення, синхронізація та налагодження їх з технічних специфікацій на природній мові).

Технологічний стек: n8n, Supabase (PostgreSQL, Auth, Storage, Edge Functions), React 19, TypeScript, Vite, Vercel, DataTree API, Zonomics API, Claude API (через OpenRouter), OpenAI API, Google Maps Embed API, Node.js, Zod, Anthropic SDK

Результати
- 3M+ записів про право власності оброблено через конвеєр
- Дні до хвилин на кожен кваліфікований запит на дослідження
- Питання, на які раніше не можна було відповісти, тепер можна (багатоджерельні запити, які були економічно недоцільними вручну)
- Виробнича система активно використовується командою засновника, обслуговуючи юридичних клієнтів
- Бекенд повністю контролюється: нові джерела даних, ключові слова та етапи аналізу AI доставляються без перебудови
- Архітектурно підготовлено для microSaaS: система вже готується до зовнішнього доступу обмеженим набором адвокатів

Як це працює
1. Адвокат вводить критерії ключових слів (юридична мова, яка їм потрібна в актах) та географічний обсяг
2. Запит проходить через функцію Supabase Edge до вебхука n8n
3. Конвеєр n8n отримує відповідні записи про право власності з DataTree
4. Відповідності збагачуються геоданими Zonomics, податковими картами, інфраструктурою, демографічними даними
5. Claude аналізує кожен акт на релевантність; результати оцінюються та сортуються
6. Адвокат завантажує лише ті акти, які відповідають усім їхнім критеріям через підписані URL-адреси Supabase

glivera
17 923 UAH
АІ-Ріелтоське Агенство

AI та машинне навчання

Проект AI-агентство нерухомості з підбору об’єктів — це сервіс, який використовує штучний інтелект для швидкого та точного підбору нерухомості під запит клієнта. Система аналізує потреби, бюджет, локацію та інші критерії, автоматично відбирає найкращі варіанти з ринку, фільтрує нерелевантні пропозиції та допомагає прийняти оптимальне рішення. Це дозволяє значно зекономити час, уникнути зайвих переглядів і отримати максимально релевантні об’єкти без ручного пошуку.

natali_gritsay
250 UAH
100%

AI та машинне навчання

Переклад текста з російської мови на українську

Striz

AI та машинне навчання