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

Разработали мультиагентную систему разбора внутренних документов об организационных изменениях.

Собрали граф агентов на LangGraph: роутер типов документов, экстрактор сущностей на NER + LLM, агент-верификатор с Reflection для перепроверки результата.

Автоматизировали маршрутизацию входящих документов и подготовку замечаний к ним.

Внедрили классификацию документа по 9 маршрутам согласования и агента, который сверяет текст с внутренними требованиями к оформлению и формирует список замечаний со ссылками на пункты регламента.

Построили слой вызова внешних инструментов для LLM-ассистента поверх внутренних API.

Реализовали multi-hop reasoning с планировщиком запросов, генерацию структурированных вызовов к 14 внутренним API, валидацию аргументов по схеме и graceful fallback при ошибках инструмента.

Создали AI-агента для постановки и мониторинга целей подразделений.

Собрали Copilot на LangGraph с внешними инструментами: проверка формулировок на измеримость, поиск дублей по векторному индексу, подсказка более амбициозных формулировок с опорой на контекст стратегии.

Адаптировали эмбеддинг-модель под корпоративную терминологию для внутреннего поиска.

Дообучили sentence-encoder contrastive-подходом с LoRA на 150 тыс. пар из логов поиска, добавили hard negatives на близких по написанию сущностях.

Запустили сервис индексации и ранжирования внутренних документов разной длины.

Собрали двухступенчатый retrieval: гибридный поиск BM25 + плотные векторы, затем реранкер на cross-encoder; настроили чанкинг с сохранением структуры разделов и таблиц.

Построили RAG-систему поиска противоречий между внутренними нормативными документами.

Внедрили поиск по корпусу из 12 000 документов и LLM-агент, который сопоставляет положения попарно и объясняет суть расхождения со ссылками на пункты.

Дообучили корпоративную LLM под внутренний домен и стиль документов.

Собрали SFT-датасет из 40 тыс. пар (внутренние данные + синтетика с фильтрацией по качеству), провели LoRA SFT и сравнили с базовой моделью на held-out бенчмарке.

Связали разрозненные сущности из внутренних систем — задачи, цели, встречи, продукты, переписку.

Построили пайплайн мэтчинга: блокинг кандидатов по эмбеддингам, классификатор пар на CatBoost с текстовыми и структурными признаками, разрешение конфликтов через LLM на спорных парах.

Разработали пайплайн анализа активности команд по цифровым следам из Jira, календарей и переписки.

Внедрили классификацию активностей на 24 категории, кластеризацию остатка и LLM-агент, который именует кластеры и формулирует рекомендации.

Классифицировали короткие тексты — Jira-задачи, комментарии, обращения — для маршрутизации и аналитики.

Дообучили encoder-модель на слабо размеченных данных, добавили active learning для дозаготовки разметки и калибровку уверенности с отсечкой на ручную проверку.

Проанализировали граф целей организации на связанность, каскадирование и полноту.

Построили граф целей по семантическим связям между формулировками, посчитали метрики каскадирования и подсветили разрывы — цели верхнего уровня без декомпозиции и «висячие» цели без родителя.

Запустили сервис суммаризации длинных встреч и переписки с извлечением договорённостей.

Реализовали двухступенчатую схему — экстрактивный отбор фрагментов плюс абстрактивная суммаризация с action items, контроль качества через LLM-as-a-Judge.

Автоматизировали подготовку типовых внутренних документов с нуля по короткому брифу.

Собрали генератор на шаблонах и RAG по архиву утверждённых документов: агент подтягивает релевантные прецеденты, заполняет разделы и прогоняет черновик через чек-лист требований.

Спрогнозировали влияние технологических трендов на потребность в ролях по подразделениям.

Свели внешние источники по трендам и внутренние данные по ролям, разметили влияние трендов на функции через LLM с экспертной валидацией, собрали сценарную модель численности на градиентном бустинге.

Сделали рекомендательный сервис по планированию задач и встреч для руководителей.

Связали календарь, поручения и внешние мероприятия, классифицировали встречи по типу и приоритету и построили ранжирующую модель, предлагающую перенос, делегирование или отмену.

Поставили ML-сервисы на автомониторинг и наладили регулярное A/B-тестирование релизов.

Внедрили отслеживание дрейфа входных распределений и качества, алерты на деградацию, теневой прогон новых версий и фреймворк для A/B с расчётом мощности до старта.

Разработали систему оценки качества LLM-сервисов перед выкаткой в прод.

Построили пайплайн подготовки тестовых сценариев, внедрили автоматические метрики, LLM-as-a-Judge с калибровкой на экспертной разметке и сравнение версий моделей.