Пожелания и особенности: Есть уже готовый ексель дашборд с показателями хочу его красиво оформить и вывести графики показателей, сделать удобным для пользования.
Нужно доработать лендинг на Tilda для страницы психолога
дистанционно
договорная
Нужно подключить три языковые версии, добавить фотографии в нужные блоки и аккуратно настроить переключение языков без поломки текущей структуры страницы.
# Техническое задание на разработку PoC системы автоматизации обработки тикетов поддержки ## 1. Общая информация **Название проекта:** PoC системы автоматизации обработки тикетов поддержки крупного онлайн-сервиса **Цель:** Разработать минимально жизнеспособный прототип (PoC) системы, демонстрирующий возможность автоматической обработки тикетов поддержки с разделением на автоматические ответы и эскалацию оператору. **Формат сдачи:** Git-репозиторий с кодом, документацией и артефактами задача ### 2.1. Исходные данные - Компания обслуживает онлайн-сервис с ~5 млн активных пользователей - Ежедневно поступает ~200 000 тикетов в поддержку - Каналы обращений: чат, email, веб-форма, мобильное приложение - В периоды инцидентов возможны всплески: 10-20k тикетов за 10 минут - Поток тикетов неоднородный: типовые обращения, сложные случаи, обращения с персональными данными ### 2.2. Бизнес-проблемы 1. Высокая нагрузка на операторов поддержки 2. Медленная обработка типовых обращений 3. Сложность маршрутизации сложных случаев 4. Риски при автоматической обработке (ошибки, нарушение SLA, небезопасные ответы) 5. Необходимость аудита всех автоматических решений ### 2.3. Ограничения - Время классификации и маршрутизации: **до 500 мс** на тикет (горячий путь) - Генерация ответа может быть асинхронной (дольше 500 мс) - Система должна корректно деградировать при недоступности LLM API - Стоимость LLM-инференса должна быть контролируемой - Автоматические ответы запрещены для рискованных категорий ## 3. Требования к PoC ### 3.1. Обязательный функционал Система должна демонстрировать **два сценария**: #### Сценарий 1: Happy Path (низкорисковый тикет) 1. На вход подаётся mock-тикет (текстовое обращение) 2. Система определяет тему обращения 3. Система оценивает уровень риска (low/medium/high) 4. Система находит релевантный ответ в базе знаний 5. Система отправляет автоматический ответ пользователю 6. Система сохраняет лог решения для аудита #### Сценарий 2: Fallback/Risky Path (высокорисковый тикет) 1. На вход подаётся mock-тикет с высоким риском 2. Система определяет тему и высокий уровень риска 3. Система **НЕ отправляет** автоматический ответ 4. Система эскалирует тикет оператору 5. Система сохраняет лог решения для аудита ### 3.2. Технические требования **Разрешено использовать:** - Простые правила (rule-based классификация) - Mock-модели (имитация работы ML) - Embeddings (опционально) - Небольшой локальный датасет - Внешний LLM API (опционально, но нужно учесть fallback) **Запрещено:** - Строить production-ready систему - Обучать настоящую модель на большом датасете - Поднимать Kubernetes, feature store или сложную MLOps-инфраструктуру - Писать много кода ради объёма - Проектировать UI оператора - Писать избыточную документацию ### 3.3. Архитектурные требования - Чёткое разделение на компоненты (классификатор, база знаний, оркестратор, логгер) - Документированная архитектура (диаграмма последовательности) - Явное указание, какие части реальные, а какие — архитектурный дизайн для production --- ## 4. Состав артефактов (обязательные для всех) ### 4.1. README.md Должен содержать: - Что делает решение (2-3 предложения) - Как запустить PoC (пошаговая инструкция) - Какие сценарии демонстрируются (happy path и fallback) - Какие части — реальная реализация, а какие — архитектурный дизайн - Допущения и ограничения (3-5 пунктов) - Бизнес-ценность системы (3-5 предложений) **Важно:** README должен читаться за 2-3 минуты. ### 4.2. AI_USAGE.md Честное описание использования AI-инструментов в процессе работы: - Перечислить, как AI использовался на этапах: - Понимание задачи и декомпозиция - Проектирование архитектуры - Выбор ML/LLM-подходов - Разработка PoC - Написание тестов и документации - Поиск рисков и edge cases - Показать роль AI в принятии решений - Указать, где AI помог, где его предложения были отклонены - Описать **конкретные ошибки AI** (минимум 2 примера): - Неверные архитектурные предположения - Небезопасные рекомендации - Нерабочий или хрупкий код - Пропущенные риски - Слишком общие ответы - Для каждой ошибки объяснить, как она была обнаружена и исправлена ### 4.3. product.md Страница-полтора (не маркетинговый документ): - Бизнес-ценность системы - Ключевые продуктовые решения - Метрики успеха (какие данные пилота убедят продолжить проект) ### 4.4. Архитектурная диаграмма - Диаграмма последовательности (Sequence Diagram) в формате PlantUML или аналогичном - Должна отображать оба сценария (happy path и fallback) - Диаграмма должна открываться или рендериться --- ## 5. Требования к коду ### 5.1. Структура репозитория ``` repository/ ??? README.md ??? product.md ??? AI_USAGE.md ??? architecture/ ? ??? diagram.puml (или .png) ??? poc/ ? ??? main.py (точка входа для демо) ? ??? orchestrator.py (основная логика) ? ??? classifiers/ ? ? ??? rule_based.py (или mock_llm.py) ? ??? knowledge_base/ ? ? ??? mock_db.py ? ??? logger.py ? ??? tests/ ? ??? smoke_test.py ??? requirements.txt ``` ### 5.2. Минимальные требования к коду - PoC должен **запускаться** по инструкции из README - Должен быть **smoke-test** или demo-скрипт, демонстрирующий оба сценария - Код должен быть читаемым (комментарии на русском или английском) - Для поступающих на AI Product: PoC может быть максимально простым (правила, mock-модели, low-code), но **сценарий эскалации обязателен** ### 5.3. История коммитов - Сохранена осмысленная история коммитов - По коммитам должно быть видно, как принимались решения по скоупу - Минимум 3-5 коммитов с разными этапами работы --- ## 6. Критерии оценки ### 6.1. Обязательные требования (без этого — возврат на доработку) - [ ] Репозиторий содержит все обязательные артефакты (README, AI_USAGE, product.md, диаграмма) - [ ] PoC запускается и демонстрирует happy path - [ ] PoC запускается и демонстрирует fallback/risky path (эскалация оператору) - [ ] Есть smoke-test или demo-скрипт - [ ] Внутренние ссылки в документации не битые ### 6.2. Качество решения - [ ] Чёткое разделение на компоненты - [ ] Явное указание, что является упрощением для PoC - [ ] Реалистичные допущения и ограничения - [ ] Честное описание использования AI в AI_USAGE.md с конкретными примерами ошибок - [ ] Архитектурная диаграмма отражает оба сценария - [ ] Бизнес-ценность обоснована (product.md) ### 6.3. Дополнительный плюс - [ ] Упомянуты нефункциональные требования (скорость, стоимость, деградация) - [ ] Предложены метрики для пилота - [ ] Описаны слабые места и что можно улучшить за 2 дня - [ ] Указано, что не стоит автоматизировать полностью --- ## 7. Рекомендации по объёму **Лучше компактное, понятное и честное решение, чем большой сгенерированный репозиторий без ясных решений.** - README: 1-2 страницы - product.md: 1-1.5 страницы - AI_USAGE.md: 1-2 страницы - Код: минимально необходимый для демонстрации сценариев (~100-300 строк) - Диаграмма: 1 диаграмма последовательности --- --- Формат сдачи - Ссылка на Git-репозиторий (доступ должен быть открыт или предоставлен доступ) - В репозитории должны быть все артефакты - В README — чёткая инструкция по запуску.
# Техническое задание на разработку PoC системы автоматизации обработки тикетов поддержки ## 1. Общая информация **Название проекта:** PoC системы автоматизации обработки тикетов поддержки крупного онлайн-сервиса **Цель:** Разработать минимально жизнеспособный прототип (PoC) системы, демонстрирующий возможность автоматической обработки тикетов поддержки с разделением на автоматические ответы и эскалацию оператору. **Формат сдачи:** Git-репозиторий с кодом, документацией и артефактами задача ### 2.1. Исходные данные - Компания обслуживает онлайн-сервис с ~5 млн активных пользователей - Ежедневно поступает ~200 000 тикетов в поддержку - Каналы обращений: чат, email, веб-форма, мобильное приложение - В периоды инцидентов возможны всплески: 10-20k тикетов за 10 минут - Поток тикетов неоднородный: типовые обращения, сложные случаи, обращения с персональными данными ### 2.2. Бизнес-проблемы 1. Высокая нагрузка на операторов поддержки 2. Медленная обработка типовых обращений 3. Сложность маршрутизации сложных случаев 4. Риски при автоматической обработке (ошибки, нарушение SLA, небезопасные ответы) 5. Необходимость аудита всех автоматических решений ### 2.3. Ограничения - Время классификации и маршрутизации: **до 500 мс** на тикет (горячий путь) - Генерация ответа может быть асинхронной (дольше 500 мс) - Система должна корректно деградировать при недоступности LLM API - Стоимость LLM-инференса должна быть контролируемой - Автоматические ответы запрещены для рискованных категорий ## 3. Требования к PoC ### 3.1. Обязательный функционал Система должна демонстрировать **два сценария**: #### Сценарий 1: Happy Path (низкорисковый тикет) 1. На вход подаётся mock-тикет (текстовое обращение) 2. Система определяет тему обращения 3. Система оценивает уровень риска (low/medium/high) 4. Система находит релевантный ответ в базе знаний 5. Система отправляет автоматический ответ пользователю 6. Система сохраняет лог решения для аудита #### Сценарий 2: Fallback/Risky Path (высокорисковый тикет) 1. На вход подаётся mock-тикет с высоким риском 2. Система определяет тему и высокий уровень риска 3. Система **НЕ отправляет** автоматический ответ 4. Система эскалирует тикет оператору 5. Система сохраняет лог решения для аудита ### 3.2. Технические требования **Разрешено использовать:** - Простые правила (rule-based классификация) - Mock-модели (имитация работы ML) - Embeddings (опционально) - Небольшой локальный датасет - Внешний LLM API (опционально, но нужно учесть fallback) **Запрещено:** - Строить production-ready систему - Обучать настоящую модель на большом датасете - Поднимать Kubernetes, feature store или сложную MLOps-инфраструктуру - Писать много кода ради объёма - Проектировать UI оператора - Писать избыточную документацию ### 3.3. Архитектурные требования - Чёткое разделение на компоненты (классификатор, база знаний, оркестратор, логгер) - Документированная архитектура (диаграмма последовательности) - Явное указание, какие части реальные, а какие — архитектурный дизайн для production --- ## 4. Состав артефактов (обязательные для всех) ### 4.1. README.md Должен содержать: - Что делает решение (2-3 предложения) - Как запустить PoC (пошаговая инструкция) - Какие сценарии демонстрируются (happy path и fallback) - Какие части — реальная реализация, а какие — архитектурный дизайн - Допущения и ограничения (3-5 пунктов) - Бизнес-ценность системы (3-5 предложений) **Важно:** README должен читаться за 2-3 минуты. ### 4.2. AI_USAGE.md Честное описание использования AI-инструментов в процессе работы: - Перечислить, как AI использовался на этапах: - Понимание задачи и декомпозиция - Проектирование архитектуры - Выбор ML/LLM-подходов - Разработка PoC - Написание тестов и документации - Поиск рисков и edge cases - Показать роль AI в принятии решений - Указать, где AI помог, где его предложения были отклонены - Описать **конкретные ошибки AI** (минимум 2 примера): - Неверные архитектурные предположения - Небезопасные рекомендации - Нерабочий или хрупкий код - Пропущенные риски - Слишком общие ответы - Для каждой ошибки объяснить, как она была обнаружена и исправлена ### 4.3. product.md Страница-полтора (не маркетинговый документ): - Бизнес-ценность системы - Ключевые продуктовые решения - Метрики успеха (какие данные пилота убедят продолжить проект) ### 4.4. Архитектурная диаграмма - Диаграмма последовательности (Sequence Diagram) в формате PlantUML или аналогичном - Должна отображать оба сценария (happy path и fallback) - Диаграмма должна открываться или рендериться --- ## 5. Требования к коду ### 5.1. Структура репозитория ``` repository/ ??? README.md ??? product.md ??? AI_USAGE.md ??? architecture/ ? ??? diagram.puml (или .png) ??? poc/ ? ??? main.py (точка входа для демо) ? ??? orchestrator.py (основная логика) ? ??? classifiers/ ? ? ??? rule_based.py (или mock_llm.py) ? ??? knowledge_base/ ? ? ??? mock_db.py ? ??? logger.py ? ??? tests/ ? ??? smoke_test.py ??? requirements.txt ``` ### 5.2. Минимальные требования к коду - PoC должен **запускаться** по инструкции из README - Должен быть **smoke-test** или demo-скрипт, демонстрирующий оба сценария - Код должен быть читаемым (комментарии на русском или английском) - Для поступающих на AI Product: PoC может быть максимально простым (правила, mock-модели, low-code), но **сценарий эскалации обязателен** ### 5.3. История коммитов - Сохранена осмысленная история коммитов - По коммитам должно быть видно, как принимались решения по скоупу - Минимум 3-5 коммитов с разными этапами работы --- ## 6. Критерии оценки ### 6.1. Обязательные требования (без этого — возврат на доработку) - [ ] Репозиторий содержит все обязательные артефакты (README, AI_USAGE, product.md, диаграмма) - [ ] PoC запускается и демонстрирует happy path - [ ] PoC запускается и демонстрирует fallback/risky path (эскалация оператору) - [ ] Есть smoke-test или demo-скрипт - [ ] Внутренние ссылки в документации не битые ### 6.2. Качество решения - [ ] Чёткое разделение на компоненты - [ ] Явное указание, что является упрощением для PoC - [ ] Реалистичные допущения и ограничения - [ ] Честное описание использования AI в AI_USAGE.md с конкретными примерами ошибок - [ ] Архитектурная диаграмма отражает оба сценария - [ ] Бизнес-ценность обоснована (product.md) ### 6.3. Дополнительный плюс - [ ] Упомянуты нефункциональные требования (скорость, стоимость, деградация) - [ ] Предложены метрики для пилота - [ ] Описаны слабые места и что можно улучшить за 2 дня - [ ] Указано, что не стоит автоматизировать полностью --- ## 7. Рекомендации по объёму **Лучше компактное, понятное и честное решение, чем большой сгенерированный репозиторий без ясных решений.** - README: 1-2 страницы - product.md: 1-1.5 страницы - AI_USAGE.md: 1-2 страницы - Код: минимально необходимый для демонстрации сценариев (~100-300 строк) - Диаграмма: 1 диаграмма последовательности --- --- Формат сдачи - Ссылка на Git-репозиторий (доступ должен быть открыт или предоставлен доступ) - В репозитории должны быть все артефакты - В README — чёткая инструкция по запуску.
ml инженер. Разработка с нуля. Техническое задание на разработку PoC системы автоматизации обработки тикетов поддержки крупного онлайн-сервиса. Цель проекта — разработать минимально жизнеспособный прототип системы, демонстрирующий возможность автоматической обработки тикетов поддержки с разделением на автоматические ответы и эскалацию оператору. Формат сдачи — Git-репозиторий с кодом, документацией и артефактами. Компания обслуживает онлайн-сервис с примерно пятью миллионами активных пользователей. Ежедневно поступает около двухсот тысяч тикетов в поддержку через каналы чат, email, веб-форма и мобильное приложение. В периоды инцидентов возможны всплески нагрузки до десяти–двадцати тысяч тикетов за десять минут. Поток тикетов неоднородный и включает типовые обращения, сложные случаи и обращения с персональными данными. Бизнес-проблемы, которые должна решать система, заключаются в высокой нагрузке на операторов поддержки, медленной обработке типовых обращений, сложности маршрутизации сложных случаев, рисках при автоматической обработке, включая ошибки, нарушение SLA и небезопасные ответы, а также в необходимости аудита всех автоматических решений. Ограничения системы следующие: время классификации и маршрутизации не должно превышать пятисот миллисекунд на тикет в горячем пути, генерация ответа может быть асинхронной и занимать больше пятисот миллисекунд, система должна корректно деградировать при недоступности LLM API, стоимость LLM-инференса должна быть контролируемой, а автоматические ответы запрещены для рискованных категорий. Система должна демонстрировать два обязательных сценария. В сценарии Happy Path на вход подаётся mock-тикет в виде текстового обращения, система определяет тему обращения, оценивает уровень риска как low, medium или high, находит релевантный ответ в базе знаний, отправляет автоматический ответ пользователю и сохраняет лог решения для аудита. В сценарии Fallback или Risky Path на вход подаётся mock-тикет с высоким риском, система определяет тему и высокий уровень риска, не отправляет автоматический ответ, эскалирует тикет оператору и сохраняет лог решения для аудита. В технических требованиях разрешено использовать простые правила rule-based классификации, mock-модели для имитации работы ML, embeddings опционально, небольшой локальный датасет и внешний LLM API опционально с обязательным учётом fallback. Запрещено строить production-ready систему, обучать настоящую модель на большом датасете, поднимать Kubernetes, feature store или сложную MLOps-инфраструктуру, писать много кода ради объёма, проектировать UI оператора и писать избыточную документацию. Архитектурные требования включают чёткое разделение на компоненты — классификатор, базу знаний, оркестратор и логгер, документированную архитектуру в виде диаграммы последовательности, а также явное указание, какие части являются реальной реализацией, а какие — архитектурным дизайном для production. Обязательные артефакты включают README.md, который должен содержать описание того, что делает решение в двух-трёх предложениях, пошаговую инструкцию по запуску PoC, указание демонстрируемых сценариев happy path и fallback, разделение на реальную реализацию и архитектурный дизайн, допущения и ограничения в трёх-пяти пунктах, а также бизнес-ценность системы в трёх-пяти предложениях. README должен читаться за две-три минуты. Файл AI_USAGE.md должен содержать честное описание использования AI-инструментов на этапах понимания задачи и декомпозиции, проектирования архитектуры, выбора ML/LLM-подходов, разработки PoC, написания тестов и документации, а также поиска рисков и edge cases. Необходимо показать роль AI в принятии решений, указать, где AI помог и где его предложения были отклонены, описать минимум два конкретных примера ошибок AI, таких как неверные архитектурные предположения, небезопасные рекомендации, нерабочий или хрупкий код, пропущенные риски или слишком общие ответы, и для каждой ошибки объяснить, как она была обнаружена и исправлена. Документ product.md объёмом страница-полтора, не маркетинговый, должен описывать бизнес-ценность системы, ключевые продуктовые решения и метрики успеха — какие данные пилота убедят продолжить проект. Архитектурная диаграмма должна представлять собой Sequence Diagram в формате PlantUML или аналогичном, отображать оба сценария happy path и fallback и открываться или рендериться. Структура репозитория должна выглядеть следующим образом: в корне README.md, product.md, AI_USAGE.md, папка architecture с diagram.puml или png, папка poc с main.py как точкой входа для демо, orchestrator.py с основной логикой, папкой classifiers с rule_based.py или mock_llm.py, папкой knowledge_base с mock_db.py, logger.py и папкой tests со smoke_test.py, а также requirements.txt. Минимальные требования к коду: PoC должен запускаться по инструкции из README, должен быть smoke-test или demo-скрипт, демонстрирующий оба сценария, код должен быть читаемым с комментариями на русском или английском. Для поступающих на AI Product PoC может быть максимально простым с использованием правил, mock-моделей и low-code, но сценарий эскалации обязателен. История коммитов должна быть осмысленной, по коммитам должно быть видно, как принимались решения по скоупу, минимум три-пять коммитов с разными этапами работы. Критерии оценки включают обязательные требования, без выполнения которых работа возвращается на доработку: репозиторий содержит все обязательные артефакты README, AI_USAGE, product.md и диаграмму, PoC запускается и демонстрирует happy path, PoC запускается и демонстрирует fallback/risky path с эскалацией оператору, есть smoke-test или demo-скрипт, внутренние ссылки в документации не битые. Качество решения оценивается по чёткому разделению на компоненты, явному указанию упрощений для PoC, реалистичным допущениям и ограничениям, честному описанию использования AI в AI_USAGE.md с конкретными примерами ошибок, отражению обоих сценариев в архитектурной диаграмме и обоснованной бизнес-ценности в product.md. Дополнительный плюс даётся за упоминание нефункциональных требований по скорости, стоимости и деградации, предложение метрик для пилота, описание слабых мест и того, что можно улучшить за два дня, а также указание того, что не стоит автоматизировать полностью. Рекомендации по объёму: лучше компактное, понятное и честное решение, чем большой сгенерированный репозиторий без ясных решений. README — одна-две страницы, product.md — одна-полторы страницы, AI_USAGE.md — одна-две страницы, код — минимально необходимый для демонстрации сценариев примерно сто-триста строк, диаграмма — одна диаграмма последовательности. Формат сдачи: ссылка на Git-репозиторий с открытым доступом или предоставленным доступом, в репозитории должны быть все артефакты, в README — чёткая инструкция по запуску.
Техническое задание на разработку PoC системы автоматизации обработки тикетов поддержки крупного онлайн-сервиса. Цель проекта — разработать минимально жизнеспособный прототип системы, демонстрирующий возможность автоматической обработки тикетов поддержки с разделением на автоматические ответы и эскалацию оператору. Формат сдачи — Git-репозиторий с кодом, документацией и артефактами. Компания обслуживает онлайн-сервис с примерно пятью миллионами активных пользователей. Ежедневно поступает около двухсот тысяч тикетов в поддержку через каналы чат, email, веб-форма и мобильное приложение. В периоды инцидентов возможны всплески нагрузки до десяти–двадцати тысяч тикетов за десять минут. Поток тикетов неоднородный и включает типовые обращения, сложные случаи и обращения с персональными данными. Бизнес-проблемы, которые должна решать система, заключаются в высокой нагрузке на операторов поддержки, медленной обработке типовых обращений, сложности маршрутизации сложных случаев, рисках при автоматической обработке, включая ошибки, нарушение SLA и небезопасные ответы, а также в необходимости аудита всех автоматических решений. Ограничения системы следующие: время классификации и маршрутизации не должно превышать пятисот миллисекунд на тикет в горячем пути, генерация ответа может быть асинхронной и занимать больше пятисот миллисекунд, система должна корректно деградировать при недоступности LLM API, стоимость LLM-инференса должна быть контролируемой, а автоматические ответы запрещены для рискованных категорий. Система должна демонстрировать два обязательных сценария. В сценарии Happy Path на вход подаётся mock-тикет в виде текстового обращения, система определяет тему обращения, оценивает уровень риска как low, medium или high, находит релевантный ответ в базе знаний, отправляет автоматический ответ пользователю и сохраняет лог решения для аудита. В сценарии Fallback или Risky Path на вход подаётся mock-тикет с высоким риском, система определяет тему и высокий уровень риска, не отправляет автоматический ответ, эскалирует тикет оператору и сохраняет лог решения для аудита. В технических требованиях разрешено использовать простые правила rule-based классификации, mock-модели для имитации работы ML, embeddings опционально, небольшой локальный датасет и внешний LLM API опционально с обязательным учётом fallback. Запрещено строить production-ready систему, обучать настоящую модель на большом датасете, поднимать Kubernetes, feature store или сложную MLOps-инфраструктуру, писать много кода ради объёма, проектировать UI оператора и писать избыточную документацию. Архитектурные требования включают чёткое разделение на компоненты — классификатор, базу знаний, оркестратор и логгер, документированную архитектуру в виде диаграммы последовательности, а также явное указание, какие части являются реальной реализацией, а какие — архитектурным дизайном для production. Обязательные артефакты включают README.md, который должен содержать описание того, что делает решение в двух-трёх предложениях, пошаговую инструкцию по запуску PoC, указание демонстрируемых сценариев happy path и fallback, разделение на реальную реализацию и архитектурный дизайн, допущения и ограничения в трёх-пяти пунктах, а также бизнес-ценность системы в трёх-пяти предложениях. README должен читаться за две-три минуты. Файл AI_USAGE.md должен содержать честное описание использования AI-инструментов на этапах понимания задачи и декомпозиции, проектирования архитектуры, выбора ML/LLM-подходов, разработки PoC, написания тестов и документации, а также поиска рисков и edge cases. Необходимо показать роль AI в принятии решений, указать, где AI помог и где его предложения были отклонены, описать минимум два конкретных примера ошибок AI, таких как неверные архитектурные предположения, небезопасные рекомендации, нерабочий или хрупкий код, пропущенные риски или слишком общие ответы, и для каждой ошибки объяснить, как она была обнаружена и исправлена. Документ product.md объёмом страница-полтора, не маркетинговый, должен описывать бизнес-ценность системы, ключевые продуктовые решения и метрики успеха — какие данные пилота убедят продолжить проект. Архитектурная диаграмма должна представлять собой Sequence Diagram в формате PlantUML или аналогичном, отображать оба сценария happy path и fallback и открываться или рендериться. Структура репозитория должна выглядеть следующим образом: в корне README.md, product.md, AI_USAGE.md, папка architecture с diagram.puml или png, папка poc с main.py как точкой входа для демо, orchestrator.py с основной логикой, папкой classifiers с rule_based.py или mock_llm.py, папкой knowledge_base с mock_db.py, logger.py и папкой tests со smoke_test.py, а также requirements.txt. Минимальные требования к коду: PoC должен запускаться по инструкции из README, должен быть smoke-test или demo-скрипт, демонстрирующий оба сценария, код должен быть читаемым с комментариями на русском или английском. Для поступающих на AI Product PoC может быть максимально простым с использованием правил, mock-моделей и low-code, но сценарий эскалации обязателен. История коммитов должна быть осмысленной, по коммитам должно быть видно, как принимались решения по скоупу, минимум три-пять коммитов с разными этапами работы. Критерии оценки включают обязательные требования, без выполнения которых работа возвращается на доработку: репозиторий содержит все обязательные артефакты README, AI_USAGE, product.md и диаграмму, PoC запускается и демонстрирует happy path, PoC запускается и демонстрирует fallback/risky path с эскалацией оператору, есть smoke-test или demo-скрипт, внутренние ссылки в документации не битые. Качество решения оценивается по чёткому разделению на компоненты, явному указанию упрощений для PoC, реалистичным допущениям и ограничениям, честному описанию использования AI в AI_USAGE.md с конкретными примерами ошибок, отражению обоих сценариев в архитектурной диаграмме и обоснованной бизнес-ценности в product.md. Дополнительный плюс даётся за упоминание нефункциональных требований по скорости, стоимости и деградации, предложение метрик для пилота, описание слабых мест и того, что можно улучшить за два дня, а также указание того, что не стоит автоматизировать полностью. Рекомендации по объёму: лучше компактное, понятное и честное решение, чем большой сгенерированный репозиторий без ясных решений. README — одна-две страницы, product.md — одна-полторы страницы, AI_USAGE.md — одна-две страницы, код — минимально необходимый для демонстрации сценариев примерно сто-триста строк, диаграмма — одна диаграмма последовательности. Формат сдачи: ссылка на Git-репозиторий с открытым доступом или предоставленным доступом, в репозитории должны быть все артефакты, в README — чёткая инструкция по запуску.
Почему стоит искать работу для фриласнеров по профилю программисты в Москве у нас?
🔸 Более 6 предложений о работе за сегодня в тематике программисты
🔸 Работа и подработка на бирже фриланса от прямых заказчиков, которым нужна помощь специалистов по профилю программисты уже сегодня!
🔸 Свежих заказов на программисты в Москве для фрилансеров на сентябрь 2026 года — 5940 шт.
Как найти удалённую работу для фриланс-специалистов по профилю программисты в Москве?
Вы специалист по программисты и ищете проекты и заказы на удалёнке в Москве? Нам всегда есть что вам предложить. Ежедневно мы публикуем новые проекты и заказы по вашей специальности. Найдите интересную работу уже сегодня
Сколько проектов для IT-специалистов по профилю программисты в Москве?
На сентябрь 2026 года опубликовано 5940 предложений удалённой работы от прямых заказчиков для исполнителей по специализации программисты
Сколько можно заработать выполняя проекты по программисты?
Специалисты по профилю программисты зарабатывают от 0.00 рублей с заказа. Хотите больше? Выполняйте как можно больше заказов и зарабатывайте сколько пожелаете