Закроем позавчерашний дедлайн уже сегодня. Внешняя ML-команда из олимпиадников для Ваших задач

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.

Разработали движок динамического ценообразования для B2B-платформы бронирования отелей.

Обучили модель прогноза спроса по сегментам с учётом сезонности, событий и цен конкурентов, добавили оптимизатор цены под целевую загрузку и A/B-контур для проверки политик.

Автоматизировали проверку командировочных заявок на соответствие политике для travel-агентства.

Собрали LLM-агента, который парсит заявку, сверяет её с политикой клиента через RAG, находит альтернативы в пределах лимита и формирует обоснование отклонения.

Спрогнозировали срывы маршрутов для платформы корпоративных путешествий.

Свели данные по рейсам, погоде и историческим задержкам, обучили модель вероятности срыва стыковки и подключили агента, который проактивно предлагает пересадку и уведомляет тревел-координатора.

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.

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.

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.

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.

Связали товарные карточки поставщиков с единым каталогом маркетплейса.

Реализовали мультимодальный мэтчинг: эмбеддинги названий и описаний, признаки из изображений, классификатор пар и очередь на ручную проверку для низкоуверенных случаев.

Автоматизировали заполнение атрибутов товаров для B2B-поставщика каталожных данных.

Собрали экстрактор на LLM со structured output поверх описаний и изображений, добавили валидацию по справочнику допустимых значений и активное обучение на исправлениях операторов.

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

Обучили иерархическую модель прогноза по SKU и складам с учётом промо и каннибализации, связали её с оптимизатором заказов под ограничения по бюджету и минимальным партиям.

Разобрали причины возвратов по свободным комментариям покупателей для платформы селлеров.

Классифицировали комментарии по 18 причинам возврата, связали их с атрибутами карточки и построили рекомендации селлерам — какие описания и размерные сетки править.

Построили скоринг лидов для SaaS-компании с длинным циклом сделки.

Свели поведенческие данные с сайта, фирмографику и историю касаний, обучили модель вероятности закрытия сделки и подключили объяснение для менеджера — почему лид приоритетный.

Автоматизировали генерацию рекламных креативов и текстов для агентства, ведущего 60+ B2B-клиентов.

Собрали генератор вариантов под бренд-гайд каждого клиента с проверкой на соответствие тону и юридическим ограничениям, связали с автотестированием вариантов в кабинетах.

Сделали систему мониторинга конкурентов и рыночных сигналов для отдела стратегии производственной компании.

Настроили сбор из открытых источников, дедупликацию и классификацию новостей по типу события, агент формирует еженедельный дайджест с оценкой значимости и возможных последствий.

Пересобрали атрибуцию маркетингового бюджета для B2B-компании с длинной воронкой.

Построили вероятностную модель вклада каналов на данных о касаниях, дополнили её гео-экспериментами для валидации и собрали оптимизатор распределения бюджета.

Автоматизировали контроль выкладки и наличия товара на полках для сети из 900 магазинов.

Внедрили детекцию и распознавание SKU на фото с мобильных устройств мерчандайзеров, сверку с планограммой и автоматические задачи на исправление в системе управления персоналом.

Построили систему ценообразования для сети магазинов с учётом эластичности и цен конкурентов.

Оценили эластичность спроса по категориям, добавили парсинг цен конкурентов и оптимизатор под ограничения по марже, имиджевым позициям и правилам ценовых линеек.

Подобрали локальный ассортимент под каждый магазин сети вместо единой матрицы.

Кластеризовали магазины по профилю спроса и окружению, обучили модель прогноза продаж новых SKU для кластера и собрали рекомендации по вводу и выводу позиций.

Выявили аномалии на кассах и в товародвижении для розничной сети.

Построили модели аномалий по кассовым операциям, отменам и списаниям, связали с видеофиксацией и сформировали приоритизированные кейсы для службы безопасности.

Улучшили подбор кандидатов для рекрутингового агентства с базой в 3 млн резюме.

Дообучили эмбеддинг-модель на исторических парах «резюме — успешный найм», добавили реранкер и объяснение соответствия по каждому требованию вакансии.

Автоматизировали разбор интервью и подготовку структурированной обратной связи.

Связали ASR с извлечением ответов по компетенциям из скоринг-карты, добавили генерацию сводки для нанимающего менеджера и контроль на недопустимые вопросы.

Спрогнозировали риск ухода сотрудников для корпоративного HR-заказчика.

Обучили модель на данных о карьерных траекториях, компенсациях и цифровых следах активности, обеспечили агрегированную выдачу на уровне команд без персональных ярлыков.

Построили карту навыков компании и разрывов между текущими и целевыми компетенциями.

Извлекли навыки из резюме, описаний ролей и задач через NER + LLM, свели к единой таксономии и посчитали разрывы относительно целевого профиля ролей.

Спрогнозировали спрос по блюдам для сети ресторанов, чтобы сократить списания.

Обучили модель прогноза на уровне блюда и часа с учётом погоды, событий и локальной специфики точки, связали с расчётом закупок по рецептурам.

Свели отзывы с площадок и внутренних анкет в операционные задачи для управляющих ресторанами.

Классифицировали отзывы по аспектам — кухня, сервис, чистота, ожидание, — привязали к точке и смене и настроили автоматические задачи при просадке по аспекту.

Оптимизировали графики смен для сети кофеен под прогноз трафика.

Связали почасовой прогноз трафика с оптимизатором расстановки смен под трудовые ограничения, квалификацию сотрудников и их предпочтения.

Автоматизировали визуальный контроль качества на производственной линии.

Обучили модель детекции дефектов на малой размеченной выборке с аугментациями и синтетикой, развернули инференс на edge-устройстве у линии и настроили дообучение на новых типах брака.

Оптимизировали распределение задач между роботами на складе логистического оператора.

Собрали планировщик на основе прогноза загрузки зон и оптимизации маршрутов с учётом заряда и конфликтов, добавили симулятор для проверки политик до выката.

Спрогнозировали отказы оборудования по телеметрии для промышленного заказчика.

Собрали пайплайн обработки сигналов с датчиков, обучили модели остаточного ресурса по типам узлов и связали алерты с системой планирования ремонтов.

Заменили хрупкие RPA-сценарии обработки документов на LLM-агентов для аутсорсингового центра.

Перевели разбор входящих счетов и актов на агента с извлечением полей, сверкой с ERP и эскалацией спорных случаев оператору; оставили RPA только на детерминированных шагах.