Разработка
Разработка AI и ML-решений
Мы делаем AI, который решает конкретную задачу и окупается, а не демо ради демо. Классификаторы, рекомендации, обработка текста и документов, ассистенты на LLM, интеграция моделей в существующий продукт.
- Стоимость
- От 180 000 ₽
- Сроки
- Прототип — 1–2 недели, готовое решение с интеграцией — от 4 недель. Сроки сильно зависят от состояния данных.
Стартовая цена. Итог зависит от объёма, интеграций и сроков.
Коротко
Разработка AI/ML-решения стоит от 180 000 ₽. Типичные задачи: классификация и разметка данных, извлечение информации из текста и документов, рекомендательные механики, чат-боты и ассистенты на LLM, прогнозирование. Работа начинается с проверки данных: если данных для задачи нет или они плохого качества, никакая модель ситуацию не спасёт — и мы скажем об этом до начала разработки.
Когда AI действительно нужен
Машинное обучение имеет смысл там, где есть повторяющееся решение, много однотипных данных и терпимость к ошибке. Разбор входящих обращений, классификация товаров и объявлений, извлечение полей из документов, поиск по внутренней базе знаний, персональные рекомендации — типичные задачи, где это окупается.
Не нужен, когда задача решается правилами, когда данных мало, или когда цена ошибки высока и всё равно потребуется ручная проверка каждого результата. В таких случаях честнее сделать обычную автоматизацию — она дешевле и предсказуемее.
LLM в продукте: RAG вместо дообучения
Для большинства задач с текстом дообучать собственную модель не требуется. Связка «поиск по вашим данным + большая языковая модель» (RAG) даёт ответы, опирающиеся на ваши документы, и обновляется простым добавлением документов, а не переобучением. Это быстрее, дешевле и позволяет показывать источник ответа — что критично, когда за ответом стоит договор или регламент.
Отдельно продумываем контроль качества: как измерять правильность ответов, что делать с галлюцинациями, где нужен человек в контуре. Без этого AI-функция превращается в источник претензий вместо экономии.
Данные, приватность и стоимость эксплуатации
До разработки обсуждаем, где будут обрабатываться данные. Если информация чувствительная, рассматриваем модели, разворачиваемые на вашей инфраструктуре, вместо внешних API. Также сразу считаем стоимость эксплуатации: у решений на внешних моделях основная статья расходов — не разработка, а ежемесячные запросы, и её лучше знать заранее.
Что входит в работу
- Оценка задачи и аудит доступных данных
- Прототип на реальных данных с измеримым качеством
- Обученная модель или настроенная связка с LLM
- API для интеграции в существующий продукт
- Интерфейс или админка, если решение используют люди
- Метрики качества и способ их отслеживать
- Деплой и документация по эксплуатации
Как мы работаем
- 01
Постановка и проверка данных
Что именно предсказываем или извлекаем, какие данные есть, какое качество считается достаточным.
- 02
Прототип
Быстрая проверка на реальных данных. Если качество недостижимо, лучше узнать это здесь.
- 03
Разработка решения
Модель или пайплайн, API, обработка ошибок и пограничных случаев.
- 04
Интеграция
Встраиваем в продукт или процесс, добавляем интерфейс и права доступа.
- 05
Запуск и наблюдение
Следим за качеством на живых данных и корректируем — модели деградируют со временем.
Технологии и инструменты
- Python
- PyTorch
- TensorFlow
- Keras
- Hugging Face
- LangChain
- NumPy
- Pandas
- Jupyter
- MLflow
- Apache Kafka
- PostgreSQL
Примеры работ
AI-ассистент для оптимизации объявлений
Инструмент для продавцов Avito, который помогает быстрее создавать и улучшать карточки товаров.
Sber — Guardian of Truth
Сервис проверяет ответы GigaChat на фактологические галлюцинации и выдаёт вероятность выдуманного факта без внешних API и дообучения.
MOEX Alpha Autopilot
Автономная торговая система для Московской биржи: анализирует рынок, проверяет идеи и выставляет сделки на реальном контуре MOEX с жёстким контролем риска.
Частые вопросы
Сколько стоит внедрение AI?
От 180 000 ₽ за решение под конкретную задачу: прототип, модель или связка с LLM, API и интеграция. Стоимость зависит от того, есть ли у вас размеченные данные, нужно ли обучать модель или достаточно готовой, и насколько глубоко решение встраивается в существующие системы. Отдельно считается эксплуатация: при работе через внешние модели ежемесячные расходы на запросы могут превысить стоимость разработки, поэтому мы оцениваем их заранее.
У нас нет данных. Можно что-то сделать?
Иногда да. Для задач с текстом и изображениями часто подходят готовые модели, которым обучение на ваших данных не требуется — например, извлечение полей из документов или классификация обращений. Для прогнозирования и рекомендаций данные нужны обязательно, и здесь первым этапом становится их сбор и разметка. Мы честно скажем, если задача пока нерешаема: это дешевле, чем оплаченный эксперимент с предсказуемым результатом.
Данные не уйдут во внешние сервисы?
Зависит от выбранной архитектуры, и это решается вами до начала работы. Есть два пути: внешние API моделей — дешевле и быстрее, но данные покидают ваш контур; и модели, развёрнутые на вашей инфраструктуре — дороже в эксплуатации, но данные остаются внутри. Для чувствительной информации (персональные данные, коммерческая тайна, медицина) обычно выбирают второй вариант, и мы проектируем решение сразу под него.
Чем AI-ассистент отличается от обычного чат-бота?
Обычный бот идёт по заранее прописанному сценарию: кнопки, ветвления, фиксированные ответы. Он предсказуем, но ломается на любом вопросе вне сценария. AI-ассистент отвечает на свободные формулировки, опираясь на ваши документы и базу знаний, и справляется с вопросами, которых никто не предусмотрел. Взамен требует контроля качества: нужно измерять правильность ответов и решать, где оставить человека в контуре.
Как понять, что AI окупится?
Считайте от текущей стоимости процесса. Если сотрудники тратят десятки часов в месяц на однотипную обработку — разбор заявок, заполнение карточек, поиск информации в документах — экономию легко оценить в деньгах и сравнить с ценой разработки и эксплуатации. Если такого измеримого процесса нет, начинать стоит не с модели, а с аудита: возможно, задача решается автоматизацией без всякого машинного обучения.
Обсудим вашу задачу?
Расскажите, что нужно сделать. Разберём задачу, предложим подход и пришлём смету по этапам — это бесплатно и ни к чему не обязывает.
Смежные услуги
- Разработка веб-приложений и Telegram Mini AppКогда сайта уже мало и нужен продукт: личный кабинет, дашборд, внутренний сервис или Mini App внутри Telegram. Проектируем архитектуру, пишем бэкенд и фронтенд, доводим до релиза.
- IT-консалтинг и продуктовый аудитСамые дорогие ошибки в разработке делаются до первой строчки кода: неверно понятая задача, стек, выбранный по привычке подрядчика, и ТЗ, которого нет. Консалтинг нужен, чтобы разобраться до того, как начнётся счётчик разработки: что именно строить, из чего, за сколько и в каком порядке. Результат — документ, а не мнение на созвоне.
- AI-стратегия для бизнесаБольшинство компаний уже запустили хотя бы один пилот с ИИ. Меньшинство довело хоть один пилот до устойчивой эксплуатации. Разница обычно не в модели, а в том, выбрали ли процесс с измеримым эффектом и посчитали ли реальную стоимость эксплуатации до старта. Мы помогаем выбрать правильную точку входа и не потратить бюджет на демо, которое так и останется демо.
- Разработка мобильных приложенийПриложения для iOS и Android — от прототипа до публикации в App Store и Google Play. Помогаем выбрать между кроссплатформенной и нативной разработкой, исходя из задачи, а не из моды.
Термины из этой услуги
- 152-ФЗ152-ФЗ — закон «О персональных данных», который обязывает собирать данные россиян в базах на территории России, уведомлять Роскомнадзор об обработке, брать отдельное согласие на неё и сообщать об утечке в течение 24 часов.
- Промпт-инжинирингПромпт-инжиниринг — проектирование инструкций для языковой модели: роль, контекст, задача, формат ответа и ограничения формулируются так, чтобы результат был воспроизводимым, а качество проверялось на наборе тестовых примеров, а не на впечатлении.
- ЭмбеддингиЭмбеддинги — числовые векторы, в которые модель переводит текст, картинку или товар так, что близкие по смыслу объекты оказываются рядом в пространстве: на этом строятся семантический поиск, рекомендации и поиск дублей.
- AI-агентAI-агент — программа, где языковая модель не просто отвечает, а действует: получает цель, сама выбирает инструменты (поиск, API, база данных, отправка письма), выполняет шаги в цикле и останавливается, когда задача решена или исчерпан лимит.
- LLMLLM — большая языковая модель: нейросеть, обученная на огромных объёмах текста предсказывать следующий токен, из-за чего она умеет писать, пересказывать и отвечать, но не хранит фактов как база данных и может уверенно ошибаться.
- RAGRAG — схема, при которой языковая модель перед ответом ищет подходящие фрагменты в вашей базе знаний и отвечает по ним: это даёт актуальные данные и ссылку на источник без дообучения самой модели.
Полезное по теме
- Где бизнесу реально нужен AI и ML, а где это дорогой хайпИИ окупается там, где есть повторяющееся решение, много однотипных данных и допустимость ошибки. Если хоть одного условия нет — не надо. Разбираем задачи, которые действительно работают, реалистичную точность, стоимость эксплуатации и формат пилота на 4–6 недель.
- ИИ-ассистент на своей базе знаний: как работает RAG и сколько стоит внедрениеРазбираем, чем RAG-ассистент отличается от бота с кнопками и от LLM без данных, откуда берутся галлюцинации и что их реально снижает, сколько стоит SaaS против кастомной разработки и на каком месяце проект выходит в ноль.
- MVP в 2026: реальные сроки, бюджет и что резать без потерьMVP перестал означать «дёшево и криво»: плохой прототип сегодня даёт ложноотрицательный результат и хоронит рабочую идею. Разбираем четыре уровня MVP с ценами и сроками, методику резки объёма и то, что вырезать нельзя ни при каком бюджете.