Задание: Машинное обучение. Обучаемый AI-агент для анализа и разметки строительных PDF — Computer Vision / ML (Дистанционная работа)
Разработка обучаемого AI-агента для автоматической разметки строительных PDF Ищем сильного AI / ML / Computer Vision разработчика для создания MVP обучаемого AI-агента. - Задача: Есть массив однотипных строительных технических документов в PDF. На чертежах необходимо по заданной инструкции определять определённые элементы/места и ставить в них графические маркеры. Сейчас эту работу делает человек. Нужно создать AI-систему, которая: PDF → AI-анализ → определение мест → установка маркеров → готовый PDF → проверка человеком → обучение на исправлениях.** Telegram-бот будет основным интерфейсом. - Как должен работать продукт: Пользователь отправляет PDF в Telegram. AI: 1. анализирует строительный документ; 2. определяет места, где по инструкции должны находиться маркеры; 3. наносит маркеры; 4. желательно сохраняет confidence и краткое обоснование решений; 5. возвращает готовый PDF. После этого человек проверяет результат и сообщает AI: - где установлен лишний маркер; - где не хватает маркера; - почему решение неправильное; - какие решения правильные. Все исправления должны сохраняться как структурированные обучающие данные / Ground Truth. - Обязательное требование — обучение Нужна не просто программа с прописанными координатами и не обычный GPT-бот. Система должна накапливать проверенные примеры и иметь реальный контур: AI → результат → Human Review → исправления → Dataset → обучение/адаптация → новая версия AI → Evaluation Допускается гибрид: Computer Vision; multimodal Vision/LLM; анализ структуры PDF; OCR; OpenCV; object detection / segmentation; RAG / поиск похожих проверенных случаев; детерминированные правила. Предлагаемую архитектуру ждём от исполнителя. - Важный принцип Если AI не уверен в решении, желательно не ставить маркер случайно, а передавать случай человеку на проверку. Качество впоследствии хотим измерять через: False Positive — лишние маркеры; False Negative — пропущенные маркеры; Precision; Recall; F1. - Первый этап — оплачиваемый PoC Сначала хотим сделать небольшой Proof of Concept. Мы предоставим: 10–30 реальных строительных PDF; инструкцию; примеры правильно размеченных документов. На первом этапе Telegram можно не делать. Необходимо доказать работу основной технологии: input.pdf → AI → marked.pdf Часть документов будет использоваться как контрольная выборка. После успешного PoC переходим к полноценному MVP: AI + Telegram + Human-in-the-Loop + Dataset + обучение + Evaluation. - Что важно от разработчика Желателен реальный опыт в: Python; Computer Vision; ML / Deep Learning; multimodal AI / Vision; PDF processing; OpenCV / PyTorch; OCR / object detection; подготовке Dataset; fine-tuning / retraining; оценке ML-моделей; Telegram Bot API; Docker / Git. Особенно интересен опыт с техническими чертежами, Document AI, промышленным CV или похожими задачами. - Что должно остаться у заказчика После завершения: весь исходный код; Git-репозиторий; Dataset; prompts / инструкции; training/evaluation pipeline; документация; Docker / инструкция развёртывания. Не хотим критической зависимости от аккаунтов или инфраструктуры разработчика. - В отклике обязательно ответьте на 7 вопросов 1. Как бы вы технически решали эту задачу? 2. Как AI будет определять координаты, куда поставить маркер?** 3. Что именно в вашей архитектуре будет обучаться на наших исправлениях?** 4. Как исправления «лишний маркер / пропущенный маркер / причина» будут превращаться в Dataset?** 5. Какие модели / технологии предлагаете использовать и почему?** 6. Есть ли похожие проекты по Computer Vision / Document AI / PDF / ML? Дайте ссылки или описание.** 7. Отдельно укажите: стоимость и срок PoC; ориентировочную стоимость и срок полного MVP. Telegram здесь — интерфейс. Главная задача проекта — обучаемый AI, который понимает строительный документ, правильно определяет места маркеров и становится точнее на проверенных человеческих исправлениях.
