Закроем позавчерашний дедлайн уже сегодня

Заменили ручную сортировку обращений жителей операторами на автоматическую классификацию и маршрутизацию по ведомствам.

Собрали LLM-классификатор с извлечением сущностей (адрес, категория, срочность) и function calling к реестру ведомств и регламентам сроков. RAG по базе типовых ответов и НПА формирует черновик ответа оператору. Семантический поиск по истории находит дубликаты и повторные обращения по одному инциденту, схлопывая их в одну карточку.

Разгрузили горячую линию МФЦ и городских служб от типовых вопросов по статусу заявлений и записи на приём.

Построили голосового агента на STT + LLM с function calling к API записи на приём, реестру услуг и статусам заявлений. Диалог держит контекст многошагового сценария (уточнение услуги → слот времени → подтверждение), при низкой уверенности или жалобе — эскалация на живого оператора с передачей полной расшифровки и контекста.

Дали аналитикам ситуационного центра возможность запрашивать сводки по инцидентам, ЖКХ и транспорту на естественном языке вместо очереди на выгрузки к дата-инженерам.

Собрали Text-to-SQL агента поверх единого семантического слоя городских систем: few-shot retrieval схемы и метрик, генерация запроса с валидацией через AST-парсер и EXPLAIN-прогон, self-correction по ошибке движка, sandbox с read-only ролью и лимитом на скан. Результат проходит sanity-проверку на аномалии и рендерится на дашборде.

Не было объективных данных о пассажиропотоке на станциях метро и остановках для планирования расписания и распределения нагрузки.

Развернули детекцию и трекинг людей на существующих камерах станций с подсчётом по виртуальным линиям входа/выхода и построением тепловых карт плотности по платформам. Данные агрегируются в реальном времени по станциям и 15-минутным интервалам, при превышении порога плотности срабатывает алерт диспетчеру.

Автоматизировали контроль соблюдения маршрутов и качества работы автобусов и трамваев вместо выборочных рейдов контролёров.

Объединили GPS-телеметрию с видео бортовых камер: детекция отклонений от утверждённого маршрута и графика, OCR номерных знаков для сверки закреплённого ТС, детекция нарушений (превышение скорости, резкое торможение) и заполненности салона по кадрам. Инциденты автоматически привязываются к рейсу и водителю.

Водители тратили время на поиск свободного места, у города не было актуальных данных о загрузке платных парковок.

Обучили модель детекции занятости парковочных мест по видеопотоку с уличных камер с разметкой зон и учётом перекрытий между машинами, устойчивую к теням, осадкам и переменному освещению за счёт аугментации. Статус мест публикуется через API в мобильное приложение и на уличные табло с обновлением раз в 30 секунд.

У парков, катков и культурных центров не было точных данных о посещаемости для планирования нагрузки и расчёта финансовых показателей аренды и абонементов.

Развернули обезличенный подсчёт посетителей по камерам на входных группах без хранения биометрии и лиц, сопоставили поток с данными турникетов и абонементской системы, добавили детекцию очередей на входе. Показатели посещаемости и занятости помещений стекаются в единую цифровую модель объекта вместе с данными по аренде и выручке.

Разрозненные данные по помещениям, договорам аренды и доступу не позволяли оценить реальную загрузку площадей и упущенную выручку.

Построили единую цифровую модель объектов: помещения, зоны, договоры аренды и точки доступа связаны с фактическими данными посещаемости из СКУД и датчиков. Модель автоматически считает загрузку по каждому помещению и упущенную выручку от простоя, прогнозный слой на градиентном бустинге подсказывает оптимальную сетку сдачи в аренду.

Аварии на сетях ЖКХ и городском оборудовании обнаруживались постфактум, планового обслуживания по фактическому износу не было.

Построили модель предиктивного обслуживания на телеметрии датчиков давления, вибрации и температуры с детекцией аномалий и учётом возраста и истории ремонтов оборудования. Модель ранжирует узлы по риску отказа на горизонте 30 дней, оптимизатор графика ТО распределяет бригады с учётом бюджета и критичности объекта.

Жители не узнавали о положенных льготах и актуальных услугах вовремя — уведомления терялись в общем потоке, охват был низким.

Собрали модель рекомендаций проактивных услуг на основе профиля жителя и жизненных событий (рождение ребёнка, достижение льготного возраста, смена адреса), ранжирование уведомлений по вероятности релевантности с учётом истории обращений. Каналы и время отправки подбираются и проверяются через постоянное A/B тестирование.

Запустили диалогового ассистента-консультанта в каталоге площадки вместо фильтров и поиска по ключевым словам.

Собрали ReAct-агента на LangGraph с slot filling по обязательным атрибутам категории, NL2Query-транслятором в фасетный запрос к Elasticsearch, hybrid retrieval (BM25 + dense) для подбора кандидатов и cross-encoder реранкером. Ответ формируется со structured output и обязательным grounding на карточки; стриминг через SSE, KV-кэш и семантическое кэширование запросов для контроля latency.

Автоматизировали поддержку покупателей с доступом к реальным данным заказов.

Реализовали function calling к 11 внутренним API с JSON Schema-валидацией аргументов, идемпотентными ключами на мутирующих операциях и policy-слоем лимитов на сумму компенсации. Планировщик поддерживает multi-hop reasoning, при низком confidence срабатывает HITL-эскалация; поверх — guardrails на prompt injection и PII-редакция в логах.

Автоматизировали поддержку продавцов на площадке с 40 тыс. обращений в месяц.

Построили RAG поверх базы знаний и регламентов: семантический чанкинг с сохранением структуры разделов, гибридный retrieval с MMR-диверсификацией, реранкер и цитирование источников. Добавили tool calling к API селлерского кабинета, confidence-based routing на оператора и офлайн-оценку через RAGAS-подобные метрики (faithfulness, answer relevancy).

Дали категорийным менеджерам возможность запрашивать аналитику на естественном языке вместо тикетов в BI.

Собрали Text-to-SQL агента поверх семантического слоя: few-shot retrieval схемы и метрик из векторного индекса, генерация SQL с валидацией через AST-парсер и EXPLAIN-прогон, self-correction по ошибке движка, sandbox с read-only ролью и лимитом на скан. Результат проходит sanity-чеки на аномалии и рендерится в график.

Поставили LLM-сервисы площадки на регулярную оценку качества и защиту от нежелательного поведения.

Построили golden-датасеты и синтетические сценарии на каждый сервис, автометрики плюс LLM-as-a-Judge с калибровкой по Cohen's kappa к экспертам, регрессионные прогоны в CI на каждый промпт-коммит. В рантайме — детекторы prompt injection и jailbreak, PII-редакция, ограничение output-схемы и трейсинг всех вызовов с онлайн-семплированием на ревью.

Закрыли слепую зону: модели поиска, ранжирования и рекомендаций деградировали незаметно между релизами.

Развернули единый слой мониторинга: PSI и KL-дивергенция по входным фичам, отслеживание prediction drift и деградации бизнес-метрик с поправкой на сезонность. Настроили теневой прогон новых версий на живом трафике, автоматические алерты в дежурный канал и трассировку каждого предсказания до версии модели и снапшота фич.

Убрали расхождение офлайн- и онлайн-признаков и перевели переобучение моделей каталога на автоматический цикл.

Собрали feature store с общими определениями фич для обучения и инференса, point-in-time корректной сборкой обучающих выборок и онлайн-слоем на key-value хранилище. Переобучение оформили как оркестрируемый пайплайн с версионированием данных, автоматической валидацией на holdout и гейтами, блокирующими выкатку при просадке метрик.

Заменили правила на обучаемые рекомендации в карточке товара и корзине.

Собрали two-stage архитектуру: кандидатогенерация на two-tower модели и item2vec по сессиям с ANN-поиском, ранжирование бустингом на поведенческих и контентных фичах через feature store с онлайн-обновлением. Холодный старт закрыт контентными эмбеддингами, разнообразие — MMR, эксплорация — Thompson sampling.

Переработали поиск по каталогу с ключевых слов на семантический с обучаемым ранжированием.

Дообучили bi-encoder контрастивно (InfoNCE) на кликовых логах с in-batch и hard negatives из ANN-выдачи, добавили cross-encoder реранкер и LTR-модель на LambdaMART с бизнес-фичами. Индекс — HNSW с квантованием, дебиасинг позиционного клика, онлайн-валидация через interleaving.

Сделали сервис рекомендаций по цене для продавцов площадки.

Оценили эластичность спроса причинно — double machine learning на исторических промо плюс гео-эксперименты для валидации, — построили прогноз спроса от цены и оптимизатор под ограничения (маржа, ценовые линейки, MAP). Мониторинг цен конкурентов внутри площадки идёт стримом, политика раскатывается через switchback-тесты.

Построили прогноз спроса и рекомендации по пополнению склада для оптового дистрибьютора.

Обучили глобальную модель на градиентном бустинге с лаговыми и календарными фичами плюс LightGBM-квантильные головы для оценки неопределённости, добавили hierarchical reconciliation по SKU/склад/регион и учёт промо-каннибализации. Прогноз распределения подаётся в MILP-оптимизатор заказов с ограничениями по бюджету, MOQ и срокам поставки.

Построили систему онлайн-скоринга транзакций для процессинговой компании, обслуживающей 200+ мерчантов.

Собрали ансамбль градиентного бустинга на поведенческих и графовых признаках, добавили инкрементальное дообучение на свежих метках и калибровку порогов под риск-аппетит каждого мерчанта.

Выявили организованные группы мошенников в клиентской базе B2B-платформы кредитования.

Построили граф связей по устройствам, реквизитам и адресам, применили community detection и GNN-классификатор на подграфах, добавили LLM-агент для сборки объяснимого досье по каждой группе.

Автоматизировали проверку подлинности документов при онбординге корпоративных клиентов.

Внедрили мультимодальный пайплайн: CV-модель на артефакты редактирования, OCR с кросс-проверкой полей по внешним реестрам и LLM-агент для сверки логической согласованности данных.

Сделали систему раннего предупреждения о рисковых мерчантах для эквайрингового провайдера.

Собрали модель прогноза чарджбэков на 30 дней вперёд по динамике оборотов, структуре платежей и текстам отзывов, настроили алерты и автоматическое понижение лимитов.

Автоматизировали подготовку кредитных заключений по корпоративным заёмщикам.

Построили пайплайн: извлечение показателей из отчётности и выписок, расчёт финансовых коэффициентов, генерация разделов заключения через LLM с обязательными ссылками на источник каждой цифры.

Ускорили комплаенс-проверку контрагентов для корпоративного блока.

Внедрили нечёткий мэтчинг по санкционным и PEP-спискам с учётом транслитерации, реранкер для отсева ложных совпадений и LLM-агента, готовящего справку по каждому реальному совпадению.

Привели модельный ландшафт банка в соответствие требованиям к валидации и документированию моделей.

Внедрили реестр моделей с полным происхождением артефактов: версии данных, кода, гиперпараметров и метрик. Автоматизировали сборку валидационного пакета, регулярные тесты на стабильность и дискриминационную способность, контроль справедливости по защищённым признакам и объяснимость на SHAP с выгрузкой в формате, принимаемом валидацией и регулятором.

Перевели признаки для скоринга и антифрода на потоковый расчёт вместо ночных витрин.

Построили потоковую обработку событий с оконными агрегатами по клиенту, устройству и контрагенту, идемпотентной обработкой и восстановлением состояния после сбоя. Синхронизировали онлайн- и офлайн-представления через общий реестр определений, добавили деградацию на резервные значения при недоступности источника.

Построили скоринговую модель для кредитования малого и среднего бизнеса без длинной кредитной истории.

Добавили к традиционным признакам транзакционную активность, отраслевые бенчмарки и текстовые сигналы из открытых источников; обеспечили объяснимость решений через SHAP для регуляторных требований.

Проанализировали переписку и звонки корпоративных менеджеров для выявления рисков оттока.

Собрали пайплайн ASR + классификация тем и тональности, выделили сигналы неудовлетворённости и построили модель вероятности оттока с рекомендациями по действию для менеджера.

Заменили разрозненные таблицы и презентации на диалогового консультанта для менеджеров и покупателей.

Собрали RAG поверх каталога квартир, планировок, условий ипотеки и акций: гибридный поиск по атрибутам и описаниям, slot filling по бюджету, сроку сдачи и составу семьи, tool calling к системе бронирования и ипотечному калькулятору. Ответ формируется только на подтверждённых данных из каталога с обязательной ссылкой на объект и актуальную цену.

Дали проектировщикам и ГИПам поиск по тысячам страниц проектной и рабочей документации на естественном языке.

Реализовали разбор комплектов с сохранением структуры разделов, листов и штампов, извлечение таблиц и спецификаций, семантический чанкинг и гибридный retrieval с реранкером. Агент сверяет требования между разделами, находит противоречия в отметках и спецификациях и выдаёт ответ с точной ссылкой на лист и пункт.

Автоматизировали сравнение коммерческих предложений и смет от подрядчиков.

Построили пайплайн извлечения позиций из смет в разных форматах, нормализацию наименований работ и материалов к внутреннему классификатору, сопоставление позиций между предложениями и генерацию сравнительной справки с указанием отклонений от базовой сметы и рыночных бенчмарков.

Перевели ценовые модели с ручных пересчётов в аналитике на управляемый производственный контур.

Оформили обучение и выкатку как воспроизводимые пайплайны с версионированием данных и артефактов, добавили теневой режим и канареечные выкатки на отдельные корпуса, автоматические гейты по метрикам и мгновенный откат. Настроили мониторинг дрейфа спроса и расхождения прогнозной и фактической эластичности.

Собрали общий слой признаков для моделей спроса, ценообразования и скоринга лидов.

Свели данные CRM, каталога, рекламных кабинетов и внешних источников по рынку в единый реестр фич с общими определениями для обучения и инференса, point-in-time сборкой выборок и контролем качества данных на входе. Добавили каталог фич с владельцами и SLA по свежести.

Заменили ручные прайс-листы на модель, учитывающую остатки, спрос и стадию готовности корпуса.

Построили модель эластичности спроса по типам планировок и этажности с учётом темпа продаж, конкурентного окружения и графика раскрытия эскроу. Оптимизатор подбирает цены под целевую выручку и темп реализации при ограничениях на минимальную маржу, решения объясняются через вклад факторов.

Сделали раннее предупреждение о срыве вех по графику строительства.

Собрали модель на данных графиков, актов, поставок материалов, погоды и укомплектованности бригад. Прогнозируем вероятность срыва каждой вехи на горизонте 60 дней, ранжируем причины по вкладу и подсвечиваем критический путь с рекомендацией по перераспределению ресурсов.

Автоматизировали приёмку выполненных объёмов по фотофиксации вместо выездных проверок.

Обучили CV-модели на распознавание стадий готовности конструктивов и элементов отделки по фотографиям с привязкой к помещению и дате. Сопоставляем распознанные объёмы с заявленными в актах, расхождения выше порога уходят на выборочную проверку инженеру технадзора.

Снизили число нарушений техники безопасности на площадках через видеоаналитику.

Развернули детекцию средств индивидуальной защиты, присутствия людей в опасных зонах и работы на высоте без страховки на существующих камерах. Обработка идёт на периферийных устройствах без выгрузки видео, фиксируется обезличенное событие с кадром для разбора и еженедельный отчёт по подрядчикам.

Автоматизировали массовые обращения абонентов с доступом к биллингу и статусу услуг.

Собрали агента с RAG по тарифам, регламентам и базе решений, дополненного function calling к биллингу, диагностике линии и заявкам. Мутирующие операции защищены идемпотентными ключами и лимитами, при низкой уверенности срабатывает передача оператору с готовым саммари диалога, поверх работают guardrails на утечку персональных данных.

Ускорили разбор аварий за счёт ассистента по логам, регламентам и истории инцидентов.

Реализовали поиск по журналам оборудования, схемам связности и постмортемам с гибридным retrieval и реранкером. Агент строит гипотезы о причине аварии, сопоставляет текущие симптомы с похожими инцидентами прошлого и предлагает проверенный порядок действий со ссылками на регламент и прошлые тикеты.

Перевели контроль качества обслуживания со случайной выборки на сплошной анализ разговоров.

Развернули ASR, дообученный на отраслевой лексике и названиях тарифов, поверх него — классификацию тем и подтем, оценку тональности и автоматический чек-лист соблюдения скрипта. Отдельно выделяются сигналы намерения расторгнуть договор и повторные обращения по одной причине.

Свели десяток разрозненных моделей маркетинга и удержания в единый производственный контур.

Стандартизировали обучение и выкатку через общие пайплайны с реестром моделей, версионированием данных и автоматической валидацией. Добавили единый механизм A/B-экспериментов с расчётом мощности и защитой от подглядывания, мониторинг дрейфа и автоматический откат при просадке целевой метрики.

Обеспечили моделям доступ к свежим признакам по абоненту и состоянию сети в реальном времени.

Построили потоковую обработку событий сети и биллинга с оконными агрегатами, единым реестром определений фич для обучения и инференса и point-in-time сборкой обучающих выборок. Настроили контроль качества входящих данных и деградацию на резервные значения при недоступности источника.

Заменили сегментные правила удержания на индивидуальный прогноз оттока.

Собрали модель на признаках потребления трафика и голоса, качества обслуживания в сети, истории обращений и платёжной дисциплины. Прогноз дополнен оценкой отклика на удерживающее предложение через uplift-моделирование, чтобы не тратить бюджет на тех, кто остался бы и без скидки.

Перешли от планового обслуживания базовых станций к обслуживанию по состоянию.

Собрали модели на телеметрии оборудования, показателях питания, температуре и истории отказов узлов. Прогнозируем вероятность отказа на горизонте 14 дней, формируем маршрутные задания выездным бригадам с приоритетом по числу затронутых абонентов и доступности запчастей на складе.

Выявили схемы фродового трафика, приводившие к потерям на межоператорских расчётах.

Построили графовую модель связей номеров, устройств и маршрутов с community detection для поиска организованных схем, дополнив её потоковыми правилами на аномальные паттерны длительности и географии вызовов. Подозрительные схемы уходят в очередь расследования с автоматически собранным объяснимым досье.

Дали планировщикам сети прогноз загрузки сот вместо экстраполяции по среднему.

Собрали модель прогноза трафика по каждой соте с учётом сезонности, миграции абонентов, застройки и массовых мероприятий. Прогноз связан с оптимизатором инвестиций, который ранжирует площадки под расширение по приросту качества на вложенный рубль.