Обсудить задачу

AI/ML-разработка и интеграция

Внедряем AI и ML в реальные процессы бизнеса

Разрабатываем AI-системы под задачи вашей компании. Обучаем модели и встраиваем их в ваши продукты и процессы. После запуска поддерживаем и развиваем систему.

Внедряем AI и ML в реальные процессы бизнеса

Разрабатываем AI-системы под задачи вашей компании. Обучаем модели и встраиваем их в ваши продукты и процессы. После запуска поддерживаем и развиваем систему.

Обсудить задачу Посмотреть проекты

Первая встреча — 30–40 минут. Обсудим вашу задачу и подход к решению.

Данные компании поступают в AI/ML-слой и возвращаются в процесс в виде ответов, рекомендаций, планов распределения, прогнозов, результатов анализа и отчётов.Источники данныхAI/ML-слойРезультатAI-ассистентРекомендацииПрогнозыОптимизацияКомпьютерное зрениеПоиск аномалийБаза данныхCRM и ERPИстория заказовДокументыФото и видеоЛоги серверовСобытия продуктаОтвет по даннымПерсональная рекомендацияРаспределение ресурсовПрогноз показателейСигнал о сбоеАнализ фото и видеоОтчёт и график

Данные из ваших систем → обработка → ответ, прогноз или действие.

SQL, CRM и внутренние APIОблако или ваш серверМодели, интеграция и поддержка

Проекты

Избранные проекты

Проект 01

ИИ-аналитик по данным компании

Руководителю нужен ответ для решения сегодня, а подготовка отчёта занимает дни и отвлекает дорогого специалиста.

Мы подключили ИИ-аналитика к данным компании и её правилам расчётов. Руководитель задаёт вопрос обычным языком и почти сразу получает таблицу, график или готовый расчёт.

Компания тратит меньше на подготовку отчётов и быстрее получает данные для решений.

Подробнее о решении
  • LLM
  • MySQL
  • аналитика
  • text-to-SQL
  • визуализация

Как устроено

  • разбор вопроса на естественном языке и сопоставление с витриной показателей;
  • генерация SQL-запросов с проверкой перед выполнением;
  • учёт бизнес-логики метрик: что считается заказом, выручкой, активным клиентом;
  • ответ в виде текста, таблицы или графика;
  • проверка корректности результата и понятное сообщение, если данных недостаточно.

Как устроен доступ к данным

  • read-only-доступ к отдельной реплике или аналитическому хранилищу;
  • белый список таблиц и разрешённых операций;
  • лимиты на количество и сложность запросов;
  • журналирование всех обращений;
  • разграничение прав: пользователь видит только свои данные.

Как оценивать качество

Время подготовки ответа и доля корректно обработанных вопросов.

Вопрос руководителя«Выручка по городам за май?»AI-СЛОЙразбор вопроса → метрикагенерация SQL → проверкатолько разрешённые таблицыMySQL · read-only репликаSELECT city, SUM(total)FROM orders WHERE ...Права пользователя и журнал запросовОтветМоскваСанкт-ПетербургКазаньГрафик
Проект 02

AI-ассистент для образовательной платформы

Студенты регулярно спрашивают о заданиях и правилах обучения. Команда поддержки тратит время на одни и те же ответы.

Мы подключили ассистента к учебным материалам и базе знаний платформы. Он находит нужную информацию и отвечает со ссылками на источники.

Типовые вопросы обрабатывает бот, снижая нагрузку на поддержку.

  • LLM
  • RAG
  • EdTech
  • база знаний
Подробнее о решении

Работа с обращениями

Сложные вопросы передаются специалисту платформы.

Вопрос студента«Как сдать модуль 3?»Ответ ассистентаНужно закрыть 2 практикии пройти тест модуля.источник: «Модуль 3»БАЗА ЗНАНИЙОтветы по материалам платформы
Проект 03

Распределение заказов и курьеров

В час пик диспетчер одновременно учитывает готовность кухни, адреса и загрузку курьеров. Пока он собирает рейсы вручную, появляются новые заказы и план приходится менять.

Мы автоматизировали распределение: алгоритм формирует рейсы и пересчитывает назначения при изменениях. Он учитывает сроки, маршрут и вместимость, чтобы эффективнее использовать курьеров.

Освобождает время диспетчера от ручного формирования и пересчёта рейсов.

Подробнее о решении
  • логистика
  • оптимизация
  • маршрутизация
  • прогнозирование

Как устроено

  • алгоритм оптимизации распределения заказов и курьеров;
  • прогнозные ML-модели времени готовности и времени в пути как вход алгоритма;
  • учёт ограничений: вместимость, зона, приоритет, окно доставки;
  • ручная корректировка диспетчером без потери консистентности;
  • пересчёт при новых заказах, опозданиях и выходе курьеров из смены.

Как оценивать качество

Время формирования рейсов, доля опозданий и километры на заказ.

ДО — ручное распределение14 заказовПОСЛЕ — сформированные рейсы3 рейса · SLAОграничения: время готовности, вместимость, зона, SLAпересчёт при изменениях
Проект 04

Прогноз времени доставки

Клиенту важно понимать, когда приедет заказ. Одинаковый срок для всех не отражает загрузку кухни, адрес и доступность курьеров — отсюда неопределённость и вопросы в поддержку.

Мы разработали модель, которая рассчитывает время приготовления и доставки для каждого заказа. Прогноз виден клиенту и оператору и обновляется по мере выполнения.

Понятные сроки для клиента и меньше поводов обращаться в поддержку.

Подробнее о решении
  • прогнозирование
  • ETA
  • foodtech
  • ML

Как устроено

  • модель времени приготовления по составу корзины и загрузке кухни;
  • модель времени доставки по зоне, маршруту и доступности курьеров;
  • обновление прогноза на каждом этапе выполнения заказа;
  • показ ожидаемого времени клиенту и оператору;
  • мониторинг расхождения прогноза и факта на production-данных.

Как проверяем прогноз

Проверяем точность прогноза для коротких и долгих заказов, отслеживаем его устойчивость при изменении спроса и меню.

Как оценивать качество

Ошибка прогноза, в том числе для самых долгих заказов, и доля доставок в обещанном интервале.

ПРОГНОЗ ПРОТИВ ФАКТАфакт →↑ прогнозОШИБКА ПРОГНОЗА−+медиана и 90-й перцентильотслеживаются отдельноОбновление прогноза по мере выполнения заказа
Ещё 4 проектаРекомендации, безопасность, фото и видео
КОРЗИНАПицца «Маргарита»Кола 0,5 лКонтекст: вечер, будниФАКТОРЫ МОДЕЛИистория заказовсостав корзиныпопулярность в зоневремя сутокРЕКОМЕНДАЦИИ1. Соус чесночныйоценка0.422. Картофель по-деревенскиоценка0.313. Десерт дняоценка0.194. Салат «Цезарь»оценка0.12A/B-тест против обычной подборки

Рекомендации в корзине

Сервису доставки нужно было увеличить выручку с уже привлечённых покупателей. Для этого важно предложить дополнение, которое подходит к конкретному заказу.

Мы встроили персональные рекомендации в оформление заказа. Модель учитывает историю покупок, состав корзины и время заказа и подбирает подходящие блюда и дополнения.

Рост среднего чека на 3–5%.

Подробнее о решении
  • recommender system
  • foodtech
  • персонализация
  • ML

Как устроено

  • модель ранжирования на истории заказов и составе корзины;
  • учёт контекста: время суток, день недели, зона доставки;
  • обработка новых клиентов и новых позиций меню;
  • вывод рекомендаций в карточке заказа и на шаге оформления;
  • связка с CRM и системой оформления заказа.

Как проверяли результат

  • сравнение с базовым ранжированием по популярности;
  • A/B-тест на живом трафике;
  • контроль выручки на тысячу показов, а не только кликов.

Как оценивать качество

Добавления в корзину, заказы и выручка на тысячу показов. Сравнение с рекомендациями по популярности.

порогТРАФИК ЗА СУТКИаномалияобнаружение → блокировка

Поиск аномалий и DDoS-атак в трафике

При росте трафика команде нужно быстро отличать обычную нагрузку от атаки. Просматривать поток серверных событий вручную долго.

Мы разработали систему, которая анализирует трафик и серверные события, обнаруживает атаки и автоматически их блокирует.

Автоматическая блокировка атак снижает риск простоев сервиса.

  • anomaly detection
  • cybersecurity
  • ML
Подробнее о решении

Блокировка атак

При обнаружении атаки система автоматически запускает блокировку.

изображениепредобработкамодельрак / не рактип меланомыклассификацияАНАЛИЗ СНИМКОВ КОЖИРак / не рак · тип меланомы

Компьютерное зрение для анализа снимков кожи

Задача проекта — сделать классификацию снимков кожи частью цифрового продукта и автоматизировать обработку изображений.

Мы разработали модель компьютерного зрения, которая классифицирует снимки по признаку «рак / не рак» и определяет тип меланомы.

Собственная технология анализа снимков для развития продукта.

  • computer vision
  • image classification
  • healthcare
Подробнее о решении

Стадия проекта

Исследовательский прототип. Клиническую валидацию и регистрацию не проходил.

Схематическая иллюстрация анализа движения, не результаты конкретного измерения.Посадка по видеоУгол в колене0°180°360°Положение суставовОборот педалей

Анализ посадки велосипедиста по видео

При обычном байкфите специалист измеряет углы тела вживую.

Мы автоматизировали этот этап: система анализирует видео, отслеживает положение суставов и рассчитывает углы тела во время педалирования. Специалист получает данные для оценки посадки.

Меньше ручных измерений, больше времени на работу с клиентами.

  • pose estimation
  • computer vision
  • sporttech

Другие направления

Что ещё можем разработать

Документы и данные

Обработка документов

Извлечение данных из договоров, счетов и сканов, сверка реквизитов и перенос информации в учётные системы.

Речь и звук

Голосовые системы

Приём звонков, запись клиентов, разбор разговоров и заполнение CRM.

Автоматизация

Автоматизация рабочих процессов

Обработка обращений, подготовка документов и выполнение связанных действий в нескольких системах.

Компьютерное зрение

Контроль качества на производстве

Поиск дефектов, проверка комплектации и контроль сборки по изображениям с камер.

Прогнозирование

Прогнозирование поломок

Анализ показаний оборудования, выявление признаков износа и планирование обслуживания.

Генеративные модели

Генерация материалов

Подготовка описаний товаров, изображений и других материалов с учётом требований компании.

У вас другая задача? Расскажите о ней — разберёмся, как её решить.

Как работаем

Разработка, внедрение и развитие

Берём на себя подготовку данных, разработку моделей и приложений, интеграцию и поддержку после запуска.

  1. 01

    Разбираемся в задаче

    Определяем, что должна делать система и по каким показателям оценивать результат.

  2. 02

    Разрабатываем систему

    Готовим данные, обучаем модели, создаём приложение и проверяем его на ваших задачах.

  3. 03

    Встраиваем в работу компании

    Подключаем систему к вашим продуктам, данным и внутренним сервисам.

  4. 04

    Поддерживаем и развиваем

    Следим за качеством работы, обновляем модели и добавляем новые возможности.

Интеграция и доступ

Подключаемся к вашей инфраструктуре

CRM, SQL-базы, внутренние API и хранилища документов. Согласуем доступы и место развёртывания до начала работ.

Облако или ваш сервер

Выбор зависит от требований к данным, нагрузке и стоимости. Используем внешние API или локальные модели.

Доступ только к нужным данным

Настраиваем доступ к данным по правилам вашей компании: права сотрудников, разрешённые источники и журнал обращений.

Проверка и журнал действий

Настраиваем права пользователей, согласование действий и журнал операций под ваши рабочие процессы.

Вопросы

До начала проекта

С чего начать, если задача ещё не сформулирована?

Расскажите, где приходится собирать данные вручную, повторять одни и те же действия или принимать решения при нехватке информации. На первой встрече разберём эти процессы и выберем, что стоит проверить.

Что делать, если данных мало?

Оценим имеющиеся данные и подберём подход: готовую модель, дообучение или разработку собственной. При необходимости спланируем сбор и разметку данных.

Как проверить, что проект окупается?

Фиксируем текущие затраты, время или число ошибок. На пилоте измеряем те же показатели и учитываем стоимость разработки и эксплуатации. По этому сравнению решаем, стоит ли расширять внедрение.

Сколько стоит проект и сколько он занимает?

Оценку даём после разбора задачи и данных. Отдельно считаем пилот, интеграцию и дальнейшую поддержку. На стоимость и сроки влияют качество данных, требования к точности и сложность подключения к вашим системам.

Могут ли данные оставаться на нашем сервере?

Для части задач можно использовать локальные модели и развёртывание на вашей инфраструктуре. Проверим такой вариант с учётом нагрузки, оборудования и требований к данным.

Кому будут принадлежать код и модель?

Состав передаваемых материалов и права на них согласуем в договоре. Заранее обсудим исходный код, документацию, обученные модели и сторонние компоненты.

Обсудить проект

Расскажите о задаче

Опишите задачу в нескольких предложениях и оставьте контакт.

Добавить подробности
Файл с описанием задачи — до 10 МБ
Файл не выбран

Отправляя форму, вы соглашаетесь с политикой обработки персональных данных.

После заявки

Свяжемся с вами, разберём задачу и предложим следующий шаг.

Написать в Telegram@phantaminuum Написать на почтуphantaminuum@gmail.com
Обсудить задачу