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

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

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.

Автоматизировали поддержку покупателей с доступом к реальным данным заказов.

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.

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

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).

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

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.

Автоматизировали заполнение атрибутов товаров для платформы с 12 тыс. активных селлеров.

Реализовали мультимодальную экстракцию: VLM по изображениям плюс LLM со structured output и constrained decoding по JSON Schema категории. Значения нормализуются через fuzzy-мэтчинг к справочнику допустимых, low-confidence поля уходят в active learning-цикл, на накопленной разметке дистиллировали лёгкий encoder для массового потока.

Автоматизировали подготовку описаний и SEO-текстов для каталога поставщика.

Собрали генерацию по attribute-grounded промптам с few-shot примерами из эталонных карточек, NLI-верификацией фактов против атрибутов и rule-based проверкой запрещённых формулировок. Заголовки прогоняются через мультиармед-бандит на живом трафике, шаблоны версионируются в prompt registry.

Автоматизировали проверку карточек на соответствие правилам площадки и требованиям законодательства.

Построили мультимодальный пайплайн: OCR по изображениям, VLM-детекция запрещённых элементов, RAG по регламентам с точным цитированием пунктов и агент-верификатор с Reflection для отсева ложных срабатываний. Правила вынесены в декларативный DSL, пороги калиброваны по стоимости ошибки I/II рода.

Автоматизировали разбор прайс-листов, спецификаций и счетов от поставщиков.

Собрали IDP-пайплайн: layout-aware парсинг PDF/XLSX с восстановлением таблиц, OCR для сканов, LLM-экстракция позиций со structured output и per-field confidence. Номенклатура мэтчится через blocking по эмбеддингам плюс классификатор пар, агент-верификатор перепроверяет спорные строки против исходного фрагмента.

Автоматизировали обработку запросов на закупку от корпоративных клиентов.

Реализовали парсинг заявок из свободного текста и Excel с нормализацией единиц измерения, retrieval аналогов по эмбеддингам с фильтрами по наличию и срокам, расчёт цены по контрактной матрице через tool calling к прайсинг-сервису и генерацию КП по шаблону с валидацией итоговых сумм.

Ускорили разбор споров между покупателями и продавцами на площадке.

Собрали мультиагентный граф: экстрактор событий из переписки, VLM-анализ фото-доказательств, сшивка таймлайна с логами трекинга, RAG по правилам площадки и агент-арбитр, выдающий решение со ссылками на пункты. Калибровка порога автоприменения — по согласию с исторической разметкой арбитров.

Заменили ленту отзывов на структурированную сводку плюсов и минусов в карточке товара.

Реализовали ABSA-разметку аспектов и тональности, кластеризацию формулировок по эмбеддингам, map-reduce суммаризацию с extractive-отбором репрезентативных цитат и инкрементальный пересчёт сводки при накоплении новых отзывов. Качество контролируется LLM-as-a-Judge с калибровкой на экспертной разметке.

Локализовали каталог для выхода площадки на новые рынки.

Собрали MT-пайплайн с glossary-constrained декодированием и защитой плейсхолдеров, конвертацией единиц и размерных сеток, агентом-редактором для терминологической консистентности и QE-моделью (quality estimation) для отбора сегментов на ручную вычитку.

Сократили срок выхода нового продавца на площадку.

Реализовали stateful-агента с персистентным чек-пойнтингом прогресса: KYC-проверка документов через OCR и сверку с реестрами, bulk-импорт прайса с автомэтчингом к категориям, RAG-подсказки по требованиям и проактивные напоминания по незакрытым шагам.

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

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.

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

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.

Связали товарные карточки поставщиков с единым каталогом маркетплейса.

Реализовали классическую схему entity resolution: blocking кандидатов через ANN по текстовым и CLIP-эмбеддингам, попарный классификатор на градиентном бустинге с признаками сходства (Jaccard по токенам, косинус по эмбеддингам, совпадение GTIN/артикулов), транзитивное замыкание кластеров и порог с очередью на ручную верификацию.

Автоматизировали раскладку новых товаров по дереву категорий из 4 500 узлов.

Обучили иерархический классификатор с late fusion текстового encoder'а и визуального бэкбона, level-wise декодированием по дереву и label smoothing на несбалансированных классах. Длинный хвост закрыли few-shot ретривалом по прототипам, добавили temperature scaling для калибровки и отсечку на модерацию по энтропии предсказания.

Схлопнули дубли карточек и собрали товарные варианты в одну сущность.

Построили near-duplicate detection на MinHash/LSH по тексту и перцептивных хэшах плюс CLIP-эмбеддингах по фото, агломеративную кластеризацию с порогом по связности графа сходства и выделение осей вариативности из нормализованных атрибутов. Мастер-карточка выбирается скоринговой моделью по полноте и качеству контента.

Заменили правила на обучаемые рекомендации в карточке товара и корзине.

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.

Сделали сервис рекомендаций по цене для продавцов площадки.

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.

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

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.

Выявили недобросовестных продавцов и контрафакт на площадке.

Свели поведенческие фичи в feature store, построили граф «аккаунт — устройство — реквизиты — адрес» и обучили GNN на подграфах поверх community detection, добавили image similarity-поиск по эталонам брендов для детекции подделок. Спорные кейсы уходят LLM-агенту, собирающему объяснимое досье для модератора.

Автоматизировали модерацию отзывов и выявление накруток.

Дообучили encoder-классификатор на многоклассовой разметке нарушений с калибровкой порогов под целевой precision, добавили детекцию накруток по биграфу «покупатель — селлер» (плотность, синхронность публикаций, burst-детекция) и стилометрические признаки шаблонных текстов.

Разобрали причины возвратов по свободным комментариям покупателей для платформы селлеров.

Обучили multi-label классификатор причин на слабой разметке с последующей экспертной калибровкой, связали причины с атрибутами карточки и посчитали uplift возвратов по признакам. Рекомендации селлерам приоритизируются по ожидаемому эффекту на маржу.

Уточнили обещаемый срок доставки на витрине для логистического оператора e-com.

Обучили квантильную регрессию на признаках маршрута, склада, перевозчика и сезонности с калибровкой под целевой service level, добавили conformal prediction для гарантий покрытия и мониторинг дрейфа по регионам через PSI с автоматическим переобучением.

Нашли пробелы в ассортименте площадки относительно спроса и конкурентов.

Сопоставили поисковые запросы с нулевой или низкорелевантной выдачей с внешним ассортиментом через entity resolution, кластеризовали неудовлетворённый спрос по эмбеддингам запросов с HDBSCAN и оценили потенциал каждого кластера моделью ожидаемого GMV.