AI STAR TECH. Внешняя ML-команда для e-commerce

Маркетплейсы, розничные сети, каталог и логистика

11 кейсов

01 LLM и агенты

Conversational Shopping Assistant

Задача

Запустили диалогового ассистента-консультанта в каталоге площадки вместо фильтров и поиска по ключевым словам.

Решение

Собрали ReAct-агента на LangGraph с slot filling по обязательным атрибутам категории, NL2Query-транслятором в фасетный запрос к Elasticsearch, hybrid retrieval (BM25 + dense) для подбора кандидатов и cross-encoder реранкером. Ответ формируется со structured output и обязательным grounding на карточки; стриминг через SSE, KV-кэш и семантическое кэширование запросов для контроля latency.

Результат

Конверсия в заказ в диалоговом сценарии ↑29% против обычного поиска · доля сессий с нулевым результатом ↓ с 11% до 2% · средний чек ↑7%

02 LLM и агенты

Buyer Support Agent with Order Tools

Задача

Автоматизировали поддержку покупателей с доступом к реальным данным заказов.

Решение

Реализовали function calling к 11 внутренним API с JSON Schema-валидацией аргументов, идемпотентными ключами на мутирующих операциях и policy-слоем лимитов на сумму компенсации. Планировщик поддерживает multi-hop reasoning, при низком confidence срабатывает HITL-эскалация; поверх — guardrails на prompt injection и PII-редакция в логах.

Результат

Полностью автоматизировано 71% обращений · success rate вызова инструментов 0,93 · стоимость обращения ↓54%

03 LLM и агенты

Seller Support Copilot

Задача

Автоматизировали поддержку продавцов на площадке с 40 тыс. обращений в месяц.

Решение

Построили RAG поверх базы знаний и регламентов: семантический чанкинг с сохранением структуры разделов, гибридный retrieval с MMR-диверсификацией, реранкер и цитирование источников. Добавили tool calling к API селлерского кабинета, confidence-based routing на оператора и офлайн-оценку через RAGAS-подобные метрики (faithfulness, answer relevancy).

Результат

Полностью автоматизировано 63% обращений · CSAT 4,4 из 5 · первая реакция ↓ с 4 часов до 30 секунд

04 LLM и агенты

Merchandising Copilot (Text-to-SQL)

Задача

Дали категорийным менеджерам возможность запрашивать аналитику на естественном языке вместо тикетов в BI.

Решение

Собрали Text-to-SQL агента поверх семантического слоя: few-shot retrieval схемы и метрик из векторного индекса, генерация SQL с валидацией через AST-парсер и EXPLAIN-прогон, self-correction по ошибке движка, sandbox с read-only ролью и лимитом на скан. Результат проходит sanity-чеки на аномалии и рендерится в график.

Результат

Execution accuracy 0,89 на бенчмарке из 500 запросов · нагрузка на BI-команду ↓62% · время до ответа ↓ с 2 дней до 40 секунд

05 MLOps и качество моделей

LLM Evaluation & Guardrails

Задача

Поставили LLM-сервисы площадки на регулярную оценку качества и защиту от нежелательного поведения.

Решение

Построили golden-датасеты и синтетические сценарии на каждый сервис, автометрики плюс LLM-as-a-Judge с калибровкой по Cohen's kappa к экспертам, регрессионные прогоны в CI на каждый промпт-коммит. В рантайме — детекторы prompt injection и jailbreak, PII-редакция, ограничение output-схемы и трейсинг всех вызовов с онлайн-семплированием на ревью.

Результат

Автоматизировали 85% проверок · время оценки релиза ↓80% · критичные инциденты в проде ↓35%

06 MLOps и качество моделей

Model Monitoring & Drift Detection

Задача

Закрыли слепую зону: модели поиска, ранжирования и рекомендаций деградировали незаметно между релизами.

Решение

Развернули единый слой мониторинга: PSI и KL-дивергенция по входным фичам, отслеживание prediction drift и деградации бизнес-метрик с поправкой на сезонность. Настроили теневой прогон новых версий на живом трафике, автоматические алерты в дежурный канал и трассировку каждого предсказания до версии модели и снапшота фич.

Результат

Среднее время обнаружения деградации ↓ с 9 дней до 40 минут · инцидентов с молчаливой деградацией 0 за полгода · откат проблемной версии ↓ до 6 минут

07 MLOps и качество моделей

Feature Store & Retraining Pipeline

Задача

Убрали расхождение офлайн- и онлайн-признаков и перевели переобучение моделей каталога на автоматический цикл.

Решение

Собрали feature store с общими определениями фич для обучения и инференса, point-in-time корректной сборкой обучающих выборок и онлайн-слоем на key-value хранилище. Переобучение оформили как оркестрируемый пайплайн с версионированием данных, автоматической валидацией на holdout и гейтами, блокирующими выкатку при просадке метрик.

Результат

Training-serving skew устранён полностью · срок вывода новой модели ↓ с 3 недель до 2 дней · переиспользование фич между командами 64%

08 Модели и данные каталога

Personalized Recommendations

Задача

Заменили правила на обучаемые рекомендации в карточке товара и корзине.

Решение

Собрали two-stage архитектуру: кандидатогенерация на two-tower модели и item2vec по сессиям с ANN-поиском, ранжирование бустингом на поведенческих и контентных фичах через feature store с онлайн-обновлением. Холодный старт закрыт контентными эмбеддингами, разнообразие — MMR, эксплорация — Thompson sampling.

Результат

CTR блока рекомендаций ↑34% · средний чек ↑8% · доля выручки из рекомендаций 19%

09 Модели и данные каталога

Semantic Search & Ranking

Задача

Переработали поиск по каталогу с ключевых слов на семантический с обучаемым ранжированием.

Решение

Дообучили bi-encoder контрастивно (InfoNCE) на кликовых логах с in-batch и hard negatives из ANN-выдачи, добавили cross-encoder реранкер и LTR-модель на LambdaMART с бизнес-фичами. Индекс — HNSW с квантованием, дебиасинг позиционного клика, онлайн-валидация через interleaving.

Результат

NDCG@10 0,58 → 0,81 · нулевые выдачи ↓ с 9% до 1,5% · конверсия поиска в заказ ↑16%

10 Модели и данные каталога

Dynamic Pricing for Sellers

Задача

Сделали сервис рекомендаций по цене для продавцов площадки.

Решение

Оценили эластичность спроса причинно — double machine learning на исторических промо плюс гео-эксперименты для валидации, — построили прогноз спроса от цены и оптимизатор под ограничения (маржа, ценовые линейки, MAP). Мониторинг цен конкурентов внутри площадки идёт стримом, политика раскатывается через switchback-тесты.

Результат

GMV подключённых селлеров ↑11% · маржа ↑3,4 п.п. · сервисом пользуются 6 200 продавцов

11 Модели и данные каталога

Demand Forecasting & Replenishment

Задача

Построили прогноз спроса и рекомендации по пополнению склада для оптового дистрибьютора.

Решение

Обучили глобальную модель на градиентном бустинге с лаговыми и календарными фичами плюс LightGBM-квантильные головы для оценки неопределённости, добавили hierarchical reconciliation по SKU/склад/регион и учёт промо-каннибализации. Прогноз распределения подаётся в MILP-оптимизатор заказов с ограничениями по бюджету, MOQ и срокам поставки.

Результат

WAPE 16% против 29% у baseline · out-of-stock ↓38% · неликвидные остатки ↓22%

Антифрод, кредитный конвейер, комплаенс

10 кейсов

01 Антифрод

Real-Time Transaction Scoring

Задача

Построили систему онлайн-скоринга транзакций для процессинговой компании, обслуживающей 200+ мерчантов.

Решение

Собрали ансамбль градиентного бустинга на поведенческих и графовых признаках, добавили инкрементальное дообучение на свежих метках и калибровку порогов под риск-аппетит каждого мерчанта.

Результат

Fraud rate ↓62% · false positives ↓41% · p99 латентность 45 мс · окупаемость за 4 месяца

02 Антифрод

Fraud Ring Detection

Задача

Выявили организованные группы мошенников в клиентской базе B2B-платформы кредитования.

Решение

Построили граф связей по устройствам, реквизитам и адресам, применили community detection и GNN-классификатор на подграфах, добавили LLM-агент для сборки объяснимого досье по каждой группе.

Результат

Обнаружено 87 связанных групп · предотвращённые потери 340 млн ₽ за год · время расследования кейса ↓ с 6 часов до 40 минут

03 Антифрод

Document Forgery Detection

Задача

Автоматизировали проверку подлинности документов при онбординге корпоративных клиентов.

Решение

Внедрили мультимодальный пайплайн: CV-модель на артефакты редактирования, OCR с кросс-проверкой полей по внешним реестрам и LLM-агент для сверки логической согласованности данных.

Результат

Recall выявления подделок 0,94 · ручная проверка ↓ на 78% · срок онбординга клиента ↓ с 5 дней до 1 дня

04 Антифрод

Merchant Risk Monitoring

Задача

Сделали систему раннего предупреждения о рисковых мерчантах для эквайрингового провайдера.

Решение

Собрали модель прогноза чарджбэков на 30 дней вперёд по динамике оборотов, структуре платежей и текстам отзывов, настроили алерты и автоматическое понижение лимитов.

Результат

ROC-AUC 0,89 · чарджбэки ↓35% · доля потерь, покрытых резервами, ↑ с 51% до 88%

05 LLM и агенты

Credit Memo Automation

Задача

Автоматизировали подготовку кредитных заключений по корпоративным заёмщикам.

Решение

Построили пайплайн: извлечение показателей из отчётности и выписок, расчёт финансовых коэффициентов, генерация разделов заключения через LLM с обязательными ссылками на источник каждой цифры.

Результат

Подготовка заключения ↓ с 3 дней до 4 часов · точность извлечения показателей 0,96 · пропускная способность отдела ↑ в 2,4 раза

06 LLM и агенты

Compliance Screening Assistant

Задача

Ускорили комплаенс-проверку контрагентов для корпоративного блока.

Решение

Внедрили нечёткий мэтчинг по санкционным и PEP-спискам с учётом транслитерации, реранкер для отсева ложных совпадений и LLM-агента, готовящего справку по каждому реальному совпадению.

Результат

Ложные срабатывания ↓73% · recall по истинным совпадениям сохранён на 0,99 · время проверки контрагента ↓ с 40 до 6 минут

07 MLOps и модели

Model Risk Governance Platform

Задача

Привели модельный ландшафт банка в соответствие требованиям к валидации и документированию моделей.

Решение

Внедрили реестр моделей с полным происхождением артефактов: версии данных, кода, гиперпараметров и метрик. Автоматизировали сборку валидационного пакета, регулярные тесты на стабильность и дискриминационную способность, контроль справедливости по защищённым признакам и объяснимость на SHAP с выгрузкой в формате, принимаемом валидацией и регулятором.

Результат

Подготовка валидационного пакета ↓ с 6 недель до 3 дней · замечаний валидации на цикл ↓71% · покрытие моделей мониторингом 100%

08 MLOps и модели

Real-Time Feature Pipeline

Задача

Перевели признаки для скоринга и антифрода на потоковый расчёт вместо ночных витрин.

Решение

Построили потоковую обработку событий с оконными агрегатами по клиенту, устройству и контрагенту, идемпотентной обработкой и восстановлением состояния после сбоя. Синхронизировали онлайн- и офлайн-представления через общий реестр определений, добавили деградацию на резервные значения при недоступности источника.

Результат

Свежесть признаков ↓ с 24 часов до 1,5 секунды · p99 отдачи вектора фич 11 мс · доступность контура 99,97%

09 MLOps и модели

SME Credit Scoring

Задача

Построили скоринговую модель для кредитования малого и среднего бизнеса без длинной кредитной истории.

Решение

Добавили к традиционным признакам транзакционную активность, отраслевые бенчмарки и текстовые сигналы из открытых источников; обеспечили объяснимость решений через SHAP для регуляторных требований.

Результат

Gini 0,71 против 0,58 у предыдущей модели · одобрение ↑18% при том же уровне риска · доля автоматических решений 76%

10 MLOps и модели

Client Communication Analytics

Задача

Проанализировали переписку и звонки корпоративных менеджеров для выявления рисков оттока.

Решение

Собрали пайплайн ASR + классификация тем и тональности, выделили сигналы неудовлетворённости и построили модель вероятности оттока с рекомендациями по действию для менеджера.

Результат

ROC-AUC оттока 0,84 · удержано клиентов на 23% больше · покрытие коммуникаций аналитикой 100% против 5% при ручном прослушивании

Застройщики, проектирование, стройплощадка, продажи

9 кейсов

01 LLM и агенты

Ассистент отдела продаж по объектам

Задача

Заменили разрозненные таблицы и презентации на диалогового консультанта для менеджеров и покупателей.

Решение

Собрали RAG поверх каталога квартир, планировок, условий ипотеки и акций: гибридный поиск по атрибутам и описаниям, slot filling по бюджету, сроку сдачи и составу семьи, tool calling к системе бронирования и ипотечному калькулятору. Ответ формируется только на подтверждённых данных из каталога с обязательной ссылкой на объект и актуальную цену.

Результат

Конверсия из обращения во встречу ↑24% · время подбора вариантов ↓ с 25 до 3 минут · доля ответов с неактуальной ценой 0%

02 LLM и агенты

Агент по проектной документации

Задача

Дали проектировщикам и ГИПам поиск по тысячам страниц проектной и рабочей документации на естественном языке.

Решение

Реализовали разбор комплектов с сохранением структуры разделов, листов и штампов, извлечение таблиц и спецификаций, семантический чанкинг и гибридный retrieval с реранкером. Агент сверяет требования между разделами, находит противоречия в отметках и спецификациях и выдаёт ответ с точной ссылкой на лист и пункт.

Результат

Поиск по документации ↓ с 40 до 2 минут · выявлено 310 противоречий между разделами до выхода на площадку · переделок по документации ↓18%

03 LLM и агенты

Разбор тендерных предложений подрядчиков

Задача

Автоматизировали сравнение коммерческих предложений и смет от подрядчиков.

Решение

Построили пайплайн извлечения позиций из смет в разных форматах, нормализацию наименований работ и материалов к внутреннему классификатору, сопоставление позиций между предложениями и генерацию сравнительной справки с указанием отклонений от базовой сметы и рыночных бенчмарков.

Результат

Обработка одного тендера ↓ с 5 дней до 6 часов · найдено завышений на 4,1% бюджета закупки · охват сравнением 100% позиций против 60% при ручной проверке

04 MLOps и данные

MLOps-платформа для моделей ценообразования

Задача

Перевели ценовые модели с ручных пересчётов в аналитике на управляемый производственный контур.

Решение

Оформили обучение и выкатку как воспроизводимые пайплайны с версионированием данных и артефактов, добавили теневой режим и канареечные выкатки на отдельные корпуса, автоматические гейты по метрикам и мгновенный откат. Настроили мониторинг дрейфа спроса и расхождения прогнозной и фактической эластичности.

Результат

Цикл обновления модели ↓ с 4 недель до 2 дней · инцидентов с некорректной ценой 0 · покрытие автотестами пайплайна 87%

05 MLOps и данные

Единый feature store по объектам и сделкам

Задача

Собрали общий слой признаков для моделей спроса, ценообразования и скоринга лидов.

Решение

Свели данные CRM, каталога, рекламных кабинетов и внешних источников по рынку в единый реестр фич с общими определениями для обучения и инференса, point-in-time сборкой выборок и контролем качества данных на входе. Добавили каталог фич с владельцами и SLA по свежести.

Результат

Дублирующих расчётов признаков ↓ с 41 до 0 · срок сборки датасета под новую модель ↓ с 8 дней до 4 часов · переиспользование фич 58%

06 Модели, CV и аналитика

Динамическое ценообразование квартир

Задача

Заменили ручные прайс-листы на модель, учитывающую остатки, спрос и стадию готовности корпуса.

Решение

Построили модель эластичности спроса по типам планировок и этажности с учётом темпа продаж, конкурентного окружения и графика раскрытия эскроу. Оптимизатор подбирает цены под целевую выручку и темп реализации при ограничениях на минимальную маржу, решения объясняются через вклад факторов.

Результат

Выручка с квадратного метра ↑6,4% · отклонение факта от плана продаж ↓ с 19% до 5% · пересмотр цен ↓ с 2 недель до 1 дня

07 Модели, CV и аналитика

Прогноз сроков и рисков строительства

Задача

Сделали раннее предупреждение о срыве вех по графику строительства.

Решение

Собрали модель на данных графиков, актов, поставок материалов, погоды и укомплектованности бригад. Прогнозируем вероятность срыва каждой вехи на горизонте 60 дней, ранжируем причины по вкладу и подсвечиваем критический путь с рекомендацией по перераспределению ресурсов.

Результат

Точность прогноза срыва вехи ROC-AUC 0,86 · просрочек по вехам ↓29% · штрафных выплат ↓ на 120 млн ₽ за год

08 Модели, CV и аналитика

Контроль хода работ по фото со стройплощадки

Задача

Автоматизировали приёмку выполненных объёмов по фотофиксации вместо выездных проверок.

Решение

Обучили CV-модели на распознавание стадий готовности конструктивов и элементов отделки по фотографиям с привязкой к помещению и дате. Сопоставляем распознанные объёмы с заявленными в актах, расхождения выше порога уходят на выборочную проверку инженеру технадзора.

Результат

Выездных проверок ↓47% · выявлено завышений объёмов на 68 млн ₽ · срок согласования акта ↓ с 9 до 2 дней

09 Модели, CV и аналитика

Контроль охраны труда по видео

Задача

Снизили число нарушений техники безопасности на площадках через видеоаналитику.

Решение

Развернули детекцию средств индивидуальной защиты, присутствия людей в опасных зонах и работы на высоте без страховки на существующих камерах. Обработка идёт на периферийных устройствах без выгрузки видео, фиксируется обезличенное событие с кадром для разбора и еженедельный отчёт по подрядчикам.

Результат

Нарушений на 1000 человеко-смен ↓43% · precision детекции 0,91 · время реакции на опасное событие ↓ с 2 часов до 3 минут

Абонентский сервис, сеть, удержание и антифрод

9 кейсов

01 LLM и агенты

Ассистент первой линии абонентской поддержки

Задача

Автоматизировали массовые обращения абонентов с доступом к биллингу и статусу услуг.

Решение

Собрали агента с RAG по тарифам, регламентам и базе решений, дополненного function calling к биллингу, диагностике линии и заявкам. Мутирующие операции защищены идемпотентными ключами и лимитами, при низкой уверенности срабатывает передача оператору с готовым саммари диалога, поверх работают guardrails на утечку персональных данных.

Результат

Полностью автоматизировано 68% обращений · CSAT 4,4 из 5 · стоимость обращения ↓49% · первая реакция 20 секунд

02 LLM и агенты

Копилот инженера сети

Задача

Ускорили разбор аварий за счёт ассистента по логам, регламентам и истории инцидентов.

Решение

Реализовали поиск по журналам оборудования, схемам связности и постмортемам с гибридным retrieval и реранкером. Агент строит гипотезы о причине аварии, сопоставляет текущие симптомы с похожими инцидентами прошлого и предлагает проверенный порядок действий со ссылками на регламент и прошлые тикеты.

Результат

MTTR ↓34% · доля инцидентов, решённых первой линией, ↑ с 38% до 61% · подготовка постмортема ↓ с 3 часов до 20 минут

03 LLM и агенты

Речевая аналитика обращений

Задача

Перевели контроль качества обслуживания со случайной выборки на сплошной анализ разговоров.

Решение

Развернули ASR, дообученный на отраслевой лексике и названиях тарифов, поверх него — классификацию тем и подтем, оценку тональности и автоматический чек-лист соблюдения скрипта. Отдельно выделяются сигналы намерения расторгнуть договор и повторные обращения по одной причине.

Результат

Покрытие разговоров анализом ↑ с 3% до 100% · WER 8,9% на отраслевой лексике · повторные обращения ↓22%

04 MLOps и данные

MLOps-платформа для моделей оттока и NBO

Задача

Свели десяток разрозненных моделей маркетинга и удержания в единый производственный контур.

Решение

Стандартизировали обучение и выкатку через общие пайплайны с реестром моделей, версионированием данных и автоматической валидацией. Добавили единый механизм A/B-экспериментов с расчётом мощности и защитой от подглядывания, мониторинг дрейфа и автоматический откат при просадке целевой метрики.

Результат

Вывод модели в прод ↓ с 5 недель до 3 дней · одновременных экспериментов ↑ с 4 до 26 · инцидентов из-за расхождения версий 0

05 MLOps и данные

Онлайн feature store для сетевых и абонентских признаков

Задача

Обеспечили моделям доступ к свежим признакам по абоненту и состоянию сети в реальном времени.

Решение

Построили потоковую обработку событий сети и биллинга с оконными агрегатами, единым реестром определений фич для обучения и инференса и point-in-time сборкой обучающих выборок. Настроили контроль качества входящих данных и деградацию на резервные значения при недоступности источника.

Результат

Свежесть признаков ↓ с 12 часов до 2 секунд · p99 отдачи вектора фич 9 мс · training-serving skew устранён

06 Модели и аналитика

Прогноз оттока абонентов

Задача

Заменили сегментные правила удержания на индивидуальный прогноз оттока.

Решение

Собрали модель на признаках потребления трафика и голоса, качества обслуживания в сети, истории обращений и платёжной дисциплины. Прогноз дополнен оценкой отклика на удерживающее предложение через uplift-моделирование, чтобы не тратить бюджет на тех, кто остался бы и без скидки.

Результат

ROC-AUC 0,87 · отток в целевой группе ↓18% · стоимость удержанного абонента ↓34%

07 Модели и аналитика

Предиктивное обслуживание сетевого оборудования

Задача

Перешли от планового обслуживания базовых станций к обслуживанию по состоянию.

Решение

Собрали модели на телеметрии оборудования, показателях питания, температуре и истории отказов узлов. Прогнозируем вероятность отказа на горизонте 14 дней, формируем маршрутные задания выездным бригадам с приоритетом по числу затронутых абонентов и доступности запчастей на складе.

Результат

Аварийных выездов ↓38% · простой узлов ↓26% · точность прогноза отказа precision 0,79 при recall 0,71

08 Модели и аналитика

Антифрод в голосовом трафике

Задача

Выявили схемы фродового трафика, приводившие к потерям на межоператорских расчётах.

Решение

Построили графовую модель связей номеров, устройств и маршрутов с community detection для поиска организованных схем, дополнив её потоковыми правилами на аномальные паттерны длительности и географии вызовов. Подозрительные схемы уходят в очередь расследования с автоматически собранным объяснимым досье.

Результат

Предотвращённые потери 210 млн ₽ за год · время выявления новой схемы ↓ с 3 недель до 2 дней · ложные блокировки ↓44%

09 Модели и аналитика

Прогноз нагрузки и планирование ёмкости сети

Задача

Дали планировщикам сети прогноз загрузки сот вместо экстраполяции по среднему.

Решение

Собрали модель прогноза трафика по каждой соте с учётом сезонности, миграции абонентов, застройки и массовых мероприятий. Прогноз связан с оптимизатором инвестиций, который ранжирует площадки под расширение по приросту качества на вложенный рубль.

Результат

MAPE прогноза трафика 7,4% против 19% у baseline · перегруженных сот в час пик ↓31% · возврат на капитальные вложения ↑12%

Закроем позавчерашний дедлайн уже сегодня

Задачи, которые мы уже закрыли

Conversational Shopping Assistant

Buyer Support Agent with Order Tools

Seller Support Copilot

Merchandising Copilot (Text-to-SQL)

LLM Evaluation & Guardrails

Model Monitoring & Drift Detection

Feature Store & Retraining Pipeline

Personalized Recommendations

Semantic Search & Ranking

Dynamic Pricing for Sellers

Demand Forecasting & Replenishment

Real-Time Transaction Scoring

Fraud Ring Detection

Document Forgery Detection

Merchant Risk Monitoring

Credit Memo Automation

Compliance Screening Assistant

Model Risk Governance Platform

Real-Time Feature Pipeline

SME Credit Scoring

Client Communication Analytics

Ассистент отдела продаж по объектам

Агент по проектной документации

Разбор тендерных предложений подрядчиков

MLOps-платформа для моделей ценообразования

Единый feature store по объектам и сделкам

Динамическое ценообразование квартир

Прогноз сроков и рисков строительства

Контроль хода работ по фото со стройплощадки

Контроль охраны труда по видео

Ассистент первой линии абонентской поддержки

Копилот инженера сети

Речевая аналитика обращений

MLOps-платформа для моделей оттока и NBO

Онлайн feature store для сетевых и абонентских признаков

Прогноз оттока абонентов

Предиктивное обслуживание сетевого оборудования

Антифрод в голосовом трафике

Прогноз нагрузки и планирование ёмкости сети

Почему у нас получается быстро

Tier-1 команда

Уникальный найм

Вовлечены до продакшена

Уже на первой встрече

Разбираем ваш кейс

Финалим архитектуру

Формируем пул людей

Давайте разберём вашу задачу