В клинике использовалась урезанная конфигурация «1С:Медицина» от ПервыйБит с неработающими интеграциями и сбоями ЭЦП. До проекта полноценного электронного документооборота с госреестрами фактически не было: вручную отправлялись единичные документы в месяц, а врачи тратили до 15 минут приема на механическое заполнение полей.
В преддверии новых правил Минздрава лично встречался с персоналом клиники, начмедом, директором и сисадмином. Провел хронометраж каждого шага приема, каталогизировал ошибки, провел GAP-анализ 1С против XSD-схем ЕГИСЗ/ФРМР/ФРМО и сформировал дорожную карту изменений на несколько месяцев.
Переработали форматы хранения электронных меддокументов под ГОСТы, восстановили работу криптопровайдера КриптоПро (УКЭП) и настроили стабильные шлюзы SOAP/REST.
Внедрили LLM-ассистента: врач вводит заметки или надиктовывает текст в свободной форме — модель нормализует термины, валидирует диагнозы по МКБ-10, заполняет обязательные системные поля и корректно разносит информацию по разделам медкарты.
На первом этапе 92% документов успешно проходили проверку. После калибровки терминов процент возвратов по нашей зоне ответственности сведен практически к нулю (<0.2%).
Проект реализован с нуля от идеи до текущей версии. Исследовал процесс оценивания работ преподавателями и ассистентами, сопоставлял экспертные комментарии с предварительными выводами модели.
Это позволило оцифровать неявные критерии проверки: штрафы за пропущенные размерности величин, альтернативные пути протекания химических реакций и оформление структурных формул.
Построил OCR-пайплайн для обработки фото рукописных работ со смартфонов, собрал датасет химических формул, настроил распознавание и связал его с reasoning-моделями через few-shot промптинг с примерами эталонных решений.
До внедрения проверка 800 работ занимала ~120 часов рутинного труда в семестр. Теперь работы оцениваются автоматически за 1–2 минуты, преподаватели подключаются только на этапе спорных апелляций (10–12% объема), а студенты получают детальный разбор ошибок сразу после сдачи.
Задача: автоматизировать первичное код-ревью на промышленном предприятии. Изучили предоставленные внутренние стандарты разработки, документацию, архитектурные гайды и методики ЕВРАЗа.
На их основе сформулировали однозначные формальные правила проверки: от соглашений по именованию до изоляции слоев и политик безопасности.
Разработали систему на базе RAG (Retrieval-Augmented Generation), анализирующую синтаксическое дерево (AST), связи в репозитории и контекст проекта.
Модель формирует детальные отчеты о нарушениях в pull request, обосновывает риски со ссылкой на корпоративный стандарт и генерирует готовый diff с рекомендацией по исправлению.
Сольный коммерческий заказ: разработка системы пакетной обработки выгрузок переписок (дампы сообщений) для модерации и анализа мнений аудитории.
Скорость и допустимый объем обработки напрямую зависят от доступного вычислительного железа. В рамках проекта система тестировалась и верифицировалась на реальной выгрузке за 1 месяц активного чата на 1 000 участников.
Ключевой вызов: научить LLM отличать простое упоминание темы (нейтральный пересказ, цитирование чужой реплики, сарказм) от выражения реальной позиции пользователя.
Контекстный граф тредов: проблема разделения позиции и упоминания решилась через построение графа связей между репликами внутри дискуссий (учет цепочек ответов, цитат и предыстории разговора).
Скоринг гипотез: на базе LLM система оценивает высказывания относительно заданных аналитических гипотез, присваивая степень подтверждения по непрерывной шкале от 0.0 до 1.0 с обоснованием вывода.
Цифровой портрет по TG ID: зафиксированные позиции, тональность и паттерны активности автоматически агрегируются в структурированный профиль каждого пользователя.
Задача хакатона: построить агентную симуляцию процессов сортировки и обработки отправлений логистического хаба с использованием алгоритмов и AI.
Чтобы максимально приблизить симуляцию к реальности, работали с внутренней документацией компании, анализировали работу складов из открытых источников и проводили интервью с людьми, работавшими на складах и сортировочных линиях Ozon.
Это позволило заложить в модель реальные задержки: время пересменок, неравномерную ручную сортировку, заторы нестандартных посылок и сбои сканеров.
Дискретно-событийная модель: реализовали агентную модель на Python, где отправления, конвейеры, сканеры и посты сортировки смоделированы как взаимодействующие объекты.
Умный алгоритм выбора гейтов: разработали алгоритм, который динамически выбирает gate отправки (определяет, какой товар на какие ворота направить в зависимости от очередей, габаритов и текущей загрузки линий).
Это позволило устранить бутылочные горлышки топологии склада и минимизировать время застоя отправлений в буферных зонах конвейера.