Олег Темяков

Проблема

Необходимость автоматизации визуального контроля в задачах, где человеческий фактор критичен (промышленная безопасность, медицинская диагностика, системы мониторинга).

Решение

Разработал серию Proof of Concept (PoC) на базе YOLO и OpenCV.

• Промышленная безопасность. Собрал и разметил датасет (CVAT), обучил модель для детекции открытого пламени. Проект был создан за 4 года до того, как подобные решения стали массовыми (производители камер внедрили это как конкурентное преимущество только спустя годы).
• MedTech. Создал MVP для анализа аудиоданных (аускультация легких и сердца) с определением ЧДД и пульса.
• Edge AI / Трекинг. Разработал аппаратно-программный комплекс для детекции и автоматического сопровождения движущихся летающих объектов. Собрал физический прототип на базе Raspberry Pi + Arduino (камера на сервоприводах для динамического наведения).

Результат

Подтвердил гипотезы жизнеспособности технологий. Проекты остановлены на стадии PoC из-за внешних факторов (санкции, отсутствие бюджета на масштабирование), но создали базу для будущих R&D-инициатив.

Проблема

Инженеры тратили часы на ручное сопоставление позиций из внешних документов (Excel/PDF) с номенклатурой 1С. «Грязные» данные (опечатки, разные форматы, сокращения) ломали стандартный поиск и приводили к ошибкам.

Решение

Спроектировал и написал MVP AI-ассистента.

• Архитектура. Осознанно отказался от Streamlit-прототипа в пользу FastAPI + HTMX + Jinja2 для обеспечения сетевого развертывания и многопользовательского режима.
• Матчинг. Реализовал пайплайн с векторным поиском и реранкерами (Rerankers).

Результат

Выпустил рабочий MVP за 2,5 недели (опередив месячный план). Достиг точности 72% на реальных данных. Бизнес высоко оценил MVP, но принял решение закупить готовое коробочное решение (PIX Оператор). Проект передан с полной документацией и планом масштабирования.

Проблема

Конструкторы теряли часы на поиск нормативов. Тексты ГОСТов написаны сложным канцелярским языком, содержат перекрестные ссылки и формулы. Стандартный чанкинг (разбивка) рвал смысловые блоки, а поиск выдавал нерелевантные ответы.

Решение

Разработал RAG-систему, отвечающую на вопросы человеческим языком с обязательным цитированием пунктов.

• Инженерный вызов. Реализовал двухступенчатую векторизацию. Сначала LLM логически пересказывает абзац простым языком, и только этот пересказ отправляется в векторную базу. Это позволило сохранить контекст и резко повысить точность.
• Проблема данных. Настроил пайплайн обработки сканов и документов с формулами (OCR, парсинг).

Результат

Создал MVP за 1 неделю. Система корректно отвечает на вопросы (например, о расстоянии установки пожарных лафетов) со ссылкой на конкретный ГОСТ.