Создание ИИ-агентов — удалённая работа в Москве

1. Цель разработки Разработать AI-агента (бот/скрипт/интеграция), который принимает на вход неструктурированные документы (счета, акты, накладные, выписки банка, сканы чеков) и на выходе отдаёт структурированные данные (сумма, контрагент, ИНН, дата, НДС, счёт учёта) в формате Excel/CSV или через API в 1С. 2. Бюджет и сроки Бюджет: 50 000 – 120 000 ? (ориентир; укажите свой) Срок: 3–4 недели Этапы: Прототип (10 дней) ? Доработка (10 дней) ? Тестирование на живых документах. 3. Входные данные (источники) Исполнитель должен реализовать хотя бы 2 из 3 каналов загрузки: Папка (FileWatcher) — бот смотрит на сетевую папку, забирает PDF, JPG, Excel. Email (IMAP) — подключение к почтовому ящику вида "docs@мояфирма.ру", парсинг писем от контрагентов. Telegram-бот — бухгалтер кидает фото чека боту. 4. Что должен распознавать AI (функциональные требования) 4.1 Типы документов: Счета на оплату Акты выполненных работ/услуг Товарные накладные (ТОРГ-12) Акты сверки Выписки банка (PDF, CSV от Тинькофф/Сбер/Альфа) Чеки (фискальные) 4.2 Какие поля извлекать (с точностью не менее 85%): Поле Пример Номер документа №А-124 от Дата 12.03.2025 Контрагент (полное название) ООО "Ромашка" ИНН контрагента [Телефон скрыт] Сумма итого 58 400,00 В т.ч. НДС 20% (9 733,33) Назначение платежа / товары (первая строка) Услуги клининга Счёт учёта (опционально) 26/60/62 5. Технические требования 5.1 Требования к AI: Использовать OpenAI GPT-4o / GPT-4o-mini или YandexGPT / Qwen (в рамках импортозамещения — укажите ваш бюджет на API). Модель работает без дообучения (zero-shot) + цепочка промптов с примерами (few-shot). Для таблиц (накладные) — комбинация: Docling или Unstructured.io (парсинг структуры) + LLM. 5.2 Логика проверки (валидация): Если ИНН не 10 или 12 цифр — запросить ручное уточнение. Если дата в будущем — пометить флагом requires_review. 5.3 Режим работы: Ручная дообработка: Нераспознанные поля подсветить жёлтым в Excel. Human-in-the-loop: AI выдаёт гипотезу, бухгалтер в один клик подтверждает/исправляет. 6. Выходные данные (результат) После обработки пачки документов AI должен создать: Excel-файл с колонками: Дата_обработки | Тип_док | Номер | Дата_док | Контрагент | ИНН | Сумма | НДС | Назначение | Статус (ОК/Сомнение) | Ссылка на исходный файл Лог ошибок: какие файлы не распознались (битые PDF, капча, мало данных). Дополнительно (повысит ставку): Возможность выгрузить JSON в формате для 1С (команда 1С:Предприятие 8 - загрузка из внешнего файла). Если подключена 1С (HTTP-сервис) — автоматическое создание документа «Поступление товаров и услуг». 7. Требования к безопасности Данные не должны покидать пределы РФ (если используете OpenAI — предупредить; лучше YandexGPT или локальная Qwen через Ollama). API-ключи должны храниться в переменных окружения (файл .env, не в коде). Исходные документы удалять после обработки через 24 часа (либо архивировать с шифрованием). 8. Как будем тестировать Исполнитель получает ZIP-архив из 50 реальных документов (расцензуренных, без настоящих ИНН, но с сохранением макета). Критерий приёмки: Точность извлечения полей ?85%. Время обработки одного документа ?15 секунд (не считая GPT). 9. Состав работ и Deliverables (что передадите мне) Исходный код (Python 3.10+) на GitHub с инструкцией README.md по установке. Dockerfile (чтобы я запустил у себя, не устанавливая зависимости вручную). Краткое описание (1 стр.) — в какой последовательности править промпты под мои документы. Видео-демо (не более 5 мин) обработки 5 документов – от загрузки до выдачи Excel. 10. Что НЕ нужно делать (границы проекта) Не нужно учить модель на моих данных (это дорого и долго). Не нужен веб-интерфейс (достаточно CLI или простой Streamlit-панели для загрузки). Не нужно писать интеграцию в «Моё дело» или СБИС (только 1С и Excel). 11. Желаемый стек исполнителя Python 3.10+, FastAPI/Flask (если делаете REST API), Streamlit (для UI) библиотеки: pdfplumber, pytesseract, openai / yandexgpt, pandas, python-telegram-bot опыт с langchain или llamaindex (приветствуется) 12. Вопросы к исполнителю перед стартом Напишите в отклике кратко: Какую модель LLM предлагаете и почему? Были ли у вас проекты по распознаванию первичных документов (можете показать маскированные примеры)? Как планируете решать проблему с «рваными таблицами» в PDF (когда границ нет)?.

Необходимо разработать цепочку из 3-х агентов для реализации воронки продаж. Ниша: продажа курсов авторских "Лидерство 2000". Формат курсов -- оффлайн, тур по городам. Что есть сейчас: 1. Простой лендинг (ссылку дам исполнителю), на нем есть чат для пользователей. 2. Google Sheets таблички с собранными лидами и диапазоном дат в которые будет проходить тур. 3. Телеграм-бот в который 4. Программа курса Агент №1 - должен общаться с клиентами на лендинге, рассказывать о курсе, а также ознакамливать пользователя с расписанием тура по городам и записывать его на курс. Агент №2 - должен агрегировать данные из лидов, создавать статистику по городам, унифицировать строки, и выстраивать оптимальный маршрут тура, с учетом приоритетов (город с наибольшим количеством записавшихся -- приоритетнее) Агент №3 - должен быть моим ассистентом (навигировать по туру, сообщать о следующих локациях, запоминать даты/время броней залов, присылать напоминания, давать краткое "досье" по конкретному городу, учитывая, что больше всего интересовало записавшихся людей из этого города в чате с агентом №1) Интеграцией всех агентов будут заниматься другие люди, от вас -- архитектура и само решение.

Пожелания и особенности: ТЗ для ИИ-агентов: Приоритетные: ? Аналитика оборачиваемости товаров: построение ABC-XYZ анализа за разные периоды с полной аналитикой данных. ? Построение финансового отдела без сотрудников. Требуется система с корректным подтягиванием данных из CRM без участия или практически без участия человека. Дополнительные: ? Сбор данных из CRM - ROapp + Bitrix24 + программа лояльности Teyca + наши таблицы отчетности в Google doc. ? Отслеживание CRM на предмет нетипичных сделок и действий - потенциальное предотвращение махинаций со стороны сотрудников + выделение слабых сделок (без доп продаж), а также связь этих сделок на торговой точке с системой видеонаблюдения (выделение тайм-кодов сделки) ? Контроль качества работы онлайн-менеджеров в Битрикс24 ? Контроль качества работы менеджеров (по камерам) на торговой точке ? Разработка акций и оценка эффективности маркетинга по системе Roistat + наша аналитика в Google Doc. ? Разработка дизайна - креативы для РК и соц сетей, мокш-дизайн, баннеры ? Аналитика оборачиваемости товаров: построение ABC-XYZ анализа за разные периоды с полной аналитикой данных. Для более полного ознакомления с ТЗ напишите пожалуйста в личные сообщения ????.

Создать и настроить базово агентов в chat gpt, раздать доступы Типовой функционал агента «Аналитик продаж» 1. Анализ продаж анализ выручки по SKU, каналам и периодам выявление динамики роста/падения ABC-анализ ассортимента ⸻ 2. Анализ прибыльности расчет маржи контроль unit-экономики выявление низкомаржинальных SKU ⸻ 3. Анализ запасов контроль оборачиваемости расчет дней покрытия выявление дефицита и излишков ⸻ 4. Анализ спроса прогноз продаж сезонность выявление товаров для масштабирования ⸻ 5. Контроль каналов продаж эффективность Ozon / WB / B2B сравнение каналов по прибыли поиск просадки по каналам ⸻ 6. Анализ рекламы ДРР / ROMI эффективность кампаний поиск неэффективных расходов ⸻ 7. Выявление точек роста поиск точек увеличения оборота предложения по росту продаж рекомендации по ассортименту ⸻ 8. Отчетность и сигналы дашборды план/факт алерты по отклонениям Типовой функционал агента «Планировщик производства» 1. Производственное планирование формирование плана выпуска план/факт производства баланс загрузки мощностей ⸻ 2. Планирование по SKU приоритизация SKU расчет объемов выпуска планирование партий и замесов ⸻ 3. Планирование сырья расчет потребности в сырье контроль обеспеченности сигнал по дефициту материалов ⸻ 4. Планирование фасовки и упаковки загрузка фасовки загрузка упаковки синхронизация этапов: изготовили → расфасовали → упаковали ⸻ 5. Планирование отгрузок выпуск под поставки синхронизация производства и поддонов приоритизация отгрузок по каналам ⸻ 6. Управление запасами расчет дней покрытия контроль остатков готовой продукции предотвращение перепроизводства ⸻ 7. Выявление узких мест ограничения мощностей простои перегрузка участков ⸻ 8. Корректировка плана перепланирование при отклонениях сценарии “что если” пересчет при изменении спроса Типовой функционал агента «Ассистент по задачам» (коротко) 1. Постановка задач формирование задач по подразделениям декомпозиция задач на шаги фиксация сроков и ответственных ⸻ 2. Контроль исполнения мониторинг статуса задач контроль сроков сигналы по просрочкам ⸻ 3. Приоритизация разделение задач по срочности выделение критичных задач рекомендации по очередности выполнения ⸻ 4. Координация подразделений задачи для производства задачи для лаборатории задачи для маркетплейсов задачи для B2B задачи для подрядчиков ⸻ 5. Напоминания и follow-up контроль повторных касаний напоминания по зависшим задачам контроль договоренностей ⸻ 6. Подготовка поручений формирование ТЗ подготовка поручений сотрудникам шаблоны задач и чек-листы ⸻ 7. Отчетность список открытых задач статус по выполнению недельный контроль задач ⸻ 8. Поиск решений подбор исполнителей предложения по закрытию задач рекомендации при блокерах.

Пожелания и особенности: Создание ИИ-агента для анализа торгов по продаже дебиторской задолженности 1. Цель:-автоматизация поиска и анализа торгов по продаже дебиторской задолженности; -оценка ликвидности долгов и выявление перспективных объектов для покупки (недвижимость, оборудование и т. д.); -содействие в получении долгов через процедуру банкротства; -подбор имущества (оборудование, спецтехника) по запросам клиентов. 2. Функциональность ИИ-агента 1. Сбор данных - парсинг объявлений о продаже дебиторской задолженности с площадок: ЕФРСБ (https://old.bankrot.fedresurs.ru/TradeList.aspx?attempt=1)— анализ объявлений АРБ УПР и банков; -торги-россии.рф (например: https://торги-россии.рф/lot/6452709) — мониторинг лотов с рассылкой на электронную почту; -Коммерсантъ (https://www.kommersant.ru/search/bankruptcy?...) — поиск торгов по регионам (например, Ростовская область) с фильтрацией по датам. -сбор информации о выигранных судах (вступившие в силу судебные акты с суммой от 2 млн руб.). 2. Анализ задолженности - проверка наличия высуженного судебного акта по задолженности; -анализ статуса должника: -проверка на предмет банкротства (использование данных ЕФРСБ и Коммерсанта); -для юрлиц — проверка сдачи баланса и его анализ (положительный баланс — потенциальная возможность взыскания через банкротство); -оценка ликвидности долга с использованием алгоритмов машинного обучения (учёт суммы, срока задолженности, статуса должника, наличия имущества). 3. Мониторинг торгов настройка параметров поиска (например: недвижимость в Москве или Ростове, цена до 10 млн руб.); анализ всех типов торгов: -приставские; -муниципальные; -торги в рамках банкротства. 4. Подбор имущества по запросам клиентов -обработка запросов клиентов (например: «купить бульдозер, комбайн, промоборудование»); -анализ торгов с фильтрацией по типу имущества, региону, цене; -формирование отчёта с подходящими лотами и их характеристиками. 5. Взаимодействие с пользователями -отправка уведомлений о подходящих лотах на электронную почту; -предоставление детального анализа по выбранному лоту (ликвидность, риски, рекомендации); -связь с истцами при выявлении должников с положительным балансом для предложения помощи в получении денег через банкротство.

Добрый день) меня зовут Анна, я сейчас ищу ментора для внедрения ии агента в свою компанию Вот проект: Задача - собрать и структурировать внутренние данные компании (протоколы встреч, финансы, оргструктуру, стратегии) в RAG-базу и на её основе создать ИИ-агентов (по ролям), которые автоматизируют коммуникации, контроль и принятие решений. Сейчас мне нужен человек, который объяснит, что как делать и в какой последовательности Было бы интересно рассмотреть?.