AI-система аудита корпоративных финансов: расследует подозрительные платежи, дубли счетов, фиктивных поставщиков, нарушения политик и рискованные транзакции — с гейтами ручного одобрения перед значимыми действиями.
FaultAuditAI — публичный хакатон-проект и живое демо AI-агента про контролируемые, аудируемые AI-процессы для финансовых команд. Вместо того чтобы агент сам совершал рискованные действия, система проводит находки через гейты одобрения, аудит-логи и генерацию отчётов.
Сделано как сольный AI-инженерный проект и подано на хакатон.
Четыре направления — от прикладной разработки до архитектуры систем целиком.
LLM-приложения, AI-агенты, RAG-системы, бэкенды на FastAPI и продакшн-процессы.
OpenAI, Claude, Gemini, Qwen, YandexGPT, API, CRM, базы данных, дашборды и инструменты автоматизации.
Компьютерное зрение, работа с датасетами, валидация моделей, MLflow, обучающие пайплайны и оценка.
Проектирование систем, оркестрация агентов, гейты ручного одобрения, аудит-логи, безопасность и стратегия деплоя.
Продакшн-сборки и исследования: агенты, RAG, голос и зрение. Описания без раскрытия NDA.
Повторяемый путь от хаотичного процесса к системе, которой можно доверять, которую можно аудировать и эксплуатировать.
Картируем процесс, источники данных, ограничения и то, как реально выглядит успех — до единой строки кода.
Проектируем граф агентов, потоки данных, стратегию поиска и ограничители. Решаем, что остаётся под контролем человека.
Сервисы FastAPI, агенты, RAG-пайплайны и интеграции — спроектированные для тестируемости и поддержки.
Eval-сеты, трекинг в MLflow и валидация на реальных кейсах — качество измеряется, а не предполагается.
Гейты одобрения, аудит-логи и безопасные раскатки, чтобы системе можно было доверять в продакшне.
Деплой в Docker, мониторинг, документация и передача знаний вашей команде.
Реальные AI-продукты живут или умирают за счёт окружающей системы: маршрутизация, поиск, ограничители, оценка, гейты одобрения и аудит-следы. Я проектирую весь граф — чтобы поведение оставалось предсказуемым при встрече с реальными данными и пользователями.
Короткие технические заметки о паттернах, которые я применяю в продакшне.
Инженерия Callie: жёсткая граница real-time аудиотракта, обработка перебиваний в три шага, идемпотентность на уровне БД и валидация пост-колл извлечения по схеме.
Читать →Рекурсивные языковые модели от MIT работают с огромными документами как со средой для запросов — сохраняя качество рассуждений на 10M+ токенов дешевле и с +29% точности.
Читать →Почему надёжный корпоративный AI создают архитекторы, проектирующие циклы оценки, аудит-следы и контроль человека, — а не «промпт-юзеры», плодящие техдолг.
Читать →Языки, модели и инструменты, которыми я проектирую, строю и довожу до релиза продакшн AI-системы.
Я senior full-stack и AI/ML-инженер с более чем 14 годами опыта в разработке ПО. Я проектирую и строю практичные AI-системы: AI-агентов, RAG-приложения, MVP AI-SaaS, голосовой AI, пайплайны компьютерного зрения, процессы валидации ML и бэкенд-инфраструктуру. Мой фокус — продакшн-готовый AI: системы, которые можно интегрировать, тестировать, деплоить, мониторить и улучшать.
