Задание: Нейронные сети. Аудит существующего решения по ИИ-поиску и помощь в его доработке (Дистанционная работа)
Контекст
У нас есть веб-платформа, в который встраиваем ИИ-помощник для поиска и подбора запчастей:
- по произвольному текстовому описанию («левый тормозной диск на Фольксваген Пассат Б6»),
- марке, модели, году, двигателю, VIN-номеру, оригинальному или неоригинальному артикулу.
Текущий разработчик (сильный бэкенд, но не ML/AI-специалист) застрял на этапе реализации. Результат нестабильный, точность низкая, архитектура вызывает сомнения.
Что нужно
Приглашается AI-консультант / ML-инженер / AI-архитектор для:
1. Аудита текущего решения – посмотреть код, схемы данных, логику обработки запросов, интеграцию с внешними API (если используются).
2. Выявления ошибок и узких мест – почему ИИ не даёт нужной точности, почему долго, где архитектурные просчёты.
3. Разработки дорожной карты – какой подход правильно применить (векторный поиск, эмбеддинги, гибридный поиск, использование LLM для парсинга запроса), какие готовые решения использовать (Qdrant, FAISS, BERT для русского языка, интеграция с VIN-декодерами и т.п.).
4. Помощи в интеграции – консультация на этапе внедрения: проверка правильности реализации, код-ревью, ответы на вопросы разработчика. Возможна частичная доработка силами консультанта (написание отдельных модулей).
Формат работы:
- Удалённо.
- Начальный этап: аудит (2–3 дня) + письменный отчёт с рекомендациями.
- Далее – почасовая поддержка или фиксированный бюджет на доведение до рабочего состояния.
Результат
- Работоспособный ИИ-поиск с приемлемой скоростью и точностью (>=80% релевантных результатов по тестовой выборке).
- Документация: архитектура, используемые модели, инструкция по доработке.
Технические требования (что хотим получить)
1. Понимание естественного языка
- Парсинг запроса: выделение марки, модели, года, типа детали, позиции (перед/зад, лево/право).
- Исправление опечаток, синонимы (например, «колодки» = «тормозные колодки»).
2. Поиск по VIN
Интеграция с внешним VIN-декодером (или рекомендация подходящего API).
3. Поиск по артикулу
Учёт оригинальных и неоригинальных номеров (кроссы).
4. Векторный поиск / эмбеддинги
Предложение использовать векторную БД для поиска аналогов по смыслу, если артикул не найден.
5. Производительность
Время ответа не более 10 секунд на запрос (без учёта внешних API).
6. Интеграция с текущим стеком
Бэкенд на nodejs + mySQL. Желательно использовать Docker.
Что предоставляется
- Доступ к коду текущего ИИ-модуля (находится в разработке).
- Доступ к тестовой БД с артикулами, описаниями, кроссами (выборка 10–20 тыс. записей).
- Демо-доступ к платформе для тестирования.
- Онлайн-встречи с разработчиком для объяснения текущей реализации.
Бюджет и сроки - обсуждаемо
Аудит + отчёт – час или фикс
Дальнейшая поддержка – почасовая оплата или фиксированная сумма за доведение до результата (обсуждается после аудита).
Срок выполнения аудита – 3–5 рабочих дней.
Как подать заявку
В отклике укажите:
1. Опыт работы с подобными задачами (поиск, NLP, векторные БД, LLM).
2. Предварительные гипотезы – почему могут быть проблемы и как вы их будете решать.
3. Ваша ставка (час или фикс на аудит).
