Скільки коштуватиме ваш проєкт у нас? Опишіть його кількома рядками і побачте наш діапазон за дві хвилини. Отримати оцінку

Що ми робимо

  • Сервіси на FastAPI

    Типізоване API, за яким сховані виклики моделей, пошук і логіка промптів. Ваш продукт просто його викликає.

  • Конвеєри даних

    Парсер на кожен формат джерела, нормалізація в одну схему, дедуплікація й лог кожного запису, що не пройшов.

  • RAG

    Розбиття на фрагменти, ембединги, векторний і графовий пошук з перевіркою прав доступу.

  • Інтеграція LLM

    OpenAI, Anthropic Claude або відкриті моделі, з версіями промптів, резервними моделями й наборами для оцінювання.

  • Дотренування й інференс

    LoRA-адаптери на відкритих моделях, GPU-воркери і vLLM, що підвантажує потрібний адаптер під запит.

  • Фонова обробка

    Черги задач, повторні спроби й видимий статус для всього, що триває довше кількох секунд.

Двадцять хвилин між файлом і живою розмовою

Людина завантажує експорт WhatsApp чи резервну копію iPhone і чекає приблизно двадцять хвилин. За цей час система розбирає листування, з'ясовує, хто з двох учасників є тією людиною, яку пам'ятають, пише її профіль від першої особи, збирає набір даних, навчає адаптер і будує граф фактів. Так працює AI Grief Companion, який ми зробили для американського стартапу. Уся ця частина написана на Python.

Шлюз на Python розбирає десять форматів експорту: WhatsApp, Messenger, Instagram, Discord, iMessage з резервної копії iPhone, Android SMS і звичайний текст. Усе зводиться в одну таблицю повідомлень, і кожне повідомлення шифрується одразу під час завантаження. Якщо детектор ролей не впевнений, хто є хто, він зупиняється й питає користувача, а не вгадує: помилка тут означала б модель, навчену на чужих словах. ШІ-платформа над шлюзом працює на FastAPI і Celery з PostgreSQL, Redis і Neo4j. Сім типів задач розходяться між CPU- і GPU-воркерами, а коли власного GPU-сервера бракує, навчання й інференс беруть serverless-воркери RunPod.

Така розробка ШІ на Python і є нашою основною роботою з цією мовою: сервіси на FastAPI навколо мовних моделей, конвеєри, що перетворюють безладні джерела на чисті дані, RAG і дотренування з фоновими воркерами.

Кейси

Python для ШІ й даних, решта продукту на своєму місці

Вебпродукти ми зазвичай будуємо на PHP/Symfony або Node.js з React. Python додаємо туди, де цього вимагає робота з ШІ, машинним навчанням чи великими обсягами даних, бо саме там його екосистема найсильніша. Облікові записи, оплати, адмінка й бізнес-правила часто краще почуваються в основному бекенді, і багато наших продуктів використовують обидві мови.

Задача Де ми зазвичай її реалізуємо Чому
Виклики OpenAI чи Claude, потокова передача відповідей Ваш наявний бекенд (PHP або Node.js) Новий сервіс не потрібен
Завантаження й нормалізація багатьох форматів документів чи даних Python-сервіс Зрілі бібліотеки для парсингу й роботи з даними
RAG над великими або часто змінюваними даними Python-сервіс Інструменти для ембедингів, пошуку й оцінювання
Дотренування, навчання LoRA, інференс відкритих моделей Python з GPU-воркерами Екосистема ML живе в Python
Облікові записи, оплати, ролі, адмін-панелі PHP/Symfony або Node.js Зрілі інструменти для продукту й адмінки

Саме за цим поділом зроблено наш власний AI Resume Master: PHP і Symfony тримають продукт, React відповідає за інтерфейс, Python з LLM генерує резюме й супровідні листи. Продукт вийшов на 50 000 активних користувачів на місяць.

Чи можна додати Python-сервіс до продукту на PHP або Node.js?

Так, і саме так ми найчастіше використовуємо Python. Ваш продукт зберігає свій бекенд, облікові записи й оплати. Окремий Python-сервіс займається ШІ чи даними і надає невелике типізоване API. Основний бекенд викликає його з контекстом користувача, а тривалі задачі звітують через колбек або ендпоінт статусу. Права доступу лишаються в основному бекенді, тож Python-сервіс сам ніколи не вирішує, хто що бачить.

Ризик при цьому низький. Новий сервіс розгортається, масштабується й відкочується окремо, а решта продукту не міняє ні мову, ні фреймворк. Інший бік інтеграції описано на сторінках розробка на PHP і розробка на Node.js.

Сервіс на FastAPI: наші правила

Розробка на FastAPI в нас дає невелике типізоване API, яке ховає від решти продукту виклики моделей, пошук і логіку промптів. Продукт ставить запитання або надсилає задачу. Сервіс сам вирішує, яку модель і які дані взяти, і повертає результат у фіксованому форматі. Ми тримаємося шести правил:

  1. Типізовані контракти для кожного запиту й відповіді, документація OpenAPI генерується з них.
  2. Промпти зберігаються як дані, з версіями. В AI Grief Companion вони лежать у PostgreSQL з історією змін, і тон можна підправити з адмінки без релізу.
  3. Задачі замість довгих запитів. Усе, що триває довше кількох секунд, іде у фонові воркери зі статусом, який продукт опитує або отримує через колбек.
  4. Резервні моделі й тайм-аути, щоб один повільний провайдер не зупиняв продукт.
  5. Набори для оцінювання в CI: зміну промпту чи моделі вимірюємо до релізу.
  6. Логи вхідних даних, результатів і витрат токенів. З чутливими даними працюємо за вашими правилами.

Спершу чисті дані, потім чат

Більшість проблем із пошуком виникає через дані, які ніхто не чистив: дублікати, зламане форматування, відсутні власники, змішані мови. Тому розробка RAG на Python у нас починається з конвеєра, а чат з'являється пізніше.

Конвеєр складається з парсера на кожен формат джерела, нормалізації в одну схему, дедуплікації й валідації. Далі розбиття на фрагменти за структурою документа, ембединги та індекс, а наприкінці пошук з перевіркою доступу, щоб користувач бачив лише дозволене. Кожен крок пише в лог, що він обробив і що не вдалося. В AI Grief Companion пам'ять будують три рівні пошуку над графом фактів у Neo4j, і вони змагаються за п'ять місць у промпті. Детальніше на сторінці розробка RAG і в нашому посібнику з впровадження RAG.

Розробка конвеєрів даних потрібна не лише для ШІ. Календар спортивних подій для британської sports tech компанії побудований на PHP і Python і має власний рушій парсингу. Він збирає й нормалізує розклади матчів із сотень календарів і фідів, враховує часові пояси і віддає дані B2B-клієнтам через API та вбудовувані віджети. А для B2B-магазину верстатів із Дніпра Python обробляв дані каталогу й прибирав водяні знаки зі старих фото товарів для фіду Google Shopping.

Коли дотренування має сенс?

Коли модель мусить тримати певний голос, формат чи поведінку, яких промпти й RAG надійно не втримують. Для більшості бізнесових продуктів промпти плюс пошук по ваших даних дають більше, коштують менше і простіше оновлюються, коли дані змінюються.

Якщо дотренування все ж потрібне, беремо параметрично ефективні методи на кшталт LoRA на відкритій моделі, набір даних з ваших даних і набір для оцінювання, щоб виміряти результат. В AI Grief Companion конвеєр навчає LoRA-адаптери на Qwen2.5-7B з 4-бітним QLoRA, а vLLM для кожного запиту підвантажує потрібний адаптер. Інференс навмисно має запасний режим: чат працює з базовою моделлю вже за кілька хвилин після завантаження і стає ближчим до людини з кожним завершеним етапом навчання. Про вибір моделей читайте на сторінці розробка генеративного ШІ.

Якщо ми хочемо, щоб бот справді спілкувався з людьми, йому треба дати базу знань про вашу компанію. Це не складно, її просто треба підготувати, а далі поповнювати в автоматичному режимі.

Антон Литвинов, засновник Lytvynov Production

Скільки коштує розробка на Python?

Ціна залежить від обсягу даних, стратегії щодо моделей і того, як сервіс підключається до вашого продукту. Для орієнтиру: ШІ-функція на хмарних моделях у нас коштує від 10 000 USD, ШІ-застосунок над даними компанії з RAG від 10 000 до 40 000 USD, продукт із власними моделями (дотренування, RAG-пам'ять, інференс на GPU, конвеєри даних) від 60 000 до 150 000 USD. Токени, векторні сховища й GPU під час роботи оплачуються окремо. Як їх порахувати, пояснюємо в посібнику про вартість розробки ШІ-застосунку.

Як ми працюємо

Як компанія з розробки на Python ми починаємо з короткої розмови про продукт, дані й те, що має робити ШІ, а потім погоджуємо перший етап із фіксованою ціною. Для ШІ-проєктів він зазвичай включає набір для оцінювання, тож якість вимірюється з першого тижня. Далі етапи з демо щотижня, у ваших репозиторіях і хмарних акаунтах. Наші Python-розробники рівня senior перевіряють кожну зміну, а рутину на кшталт тестів і рефакторингу беруть ШІ-агенти для написання коду. Хочете найняти Python-розробників у свою команду на довший строк? Це теж можливо, з помісячною оплатою.

Підключення ШІ до наявного продукту описане на сторінці інтеграція ШІ. Розгортання й моніторинг Python-сервісів беремо на себе, детальніше на сторінках DevOps на Docker і Kubernetes і розробка на AWS.

Розкажіть про ваш ШІ-проєкт чи проєкт із даними на сторінці контактів або опишіть обсяг у формі оцінки проєкту.

Як ми працюємо

  1. Коротка розмова

    Говоримо про продукт, дані й те, що має робити ШІ.

  2. Фіксована ціна етапу

    Погоджуємо перший етап із фіксованою ціною. Для ШІ-проєктів він включає набір для оцінювання.

  3. Демо щотижня

    Робота йде етапами у ваших репозиторіях і хмарних акаунтах.

  4. Сеньйорний перегляд

    Сеньйорні інженери перевіряють кожну зміну, ШІ-агенти беруть рутину: тести й рефакторинг.

  5. Розгортання

    Python-сервіс розгортається, масштабується й відкочується окремо від решти продукту.

Два способи працювати з нами

Проєкт з фіксованою ціною

Чіткий обсяг, фіксована ціна, погоджена до старту і демо щотижня. Підходить для нового продукту або зрозумілої частини роботи.

Оцінити проєкт

Виділена команда

Senior-інженери, які місяць за місяцем працюють лише над вашим продуктом, за вашими пріоритетами і у ваших репозиторіях.

Про виділену команду

Часті запитання

Не завжди. Виклики API OpenAI чи Claude, потокова передача відповідей і простий пошук можуть жити у вашому наявному бекенді на PHP або Node.js. Python стає кращим вибором, коли ви обробляєте великі обсяги документів, навчаєте чи дотреновуєте моделі, запускаєте відкриті моделі на власних GPU або використовуєте бібліотеки, що існують лише в екосистемі Python. Часто ми додаємо один Python-сервіс поруч із наявним бекендом, а не переписуємо його.

FastAPI дає типізовані моделі запитів і відповідей, автоматичну документацію OpenAPI та добру підтримку асинхронного введення-виведення, а це підходить сервісам, які чекають на моделі, бази даних і зовнішні API. Він лишається невеликим, тож у сервісі живе ШІ-логіка, а не код фреймворку. Для тривалих задач, як-от навчання чи масове завантаження даних, FastAPI приймає задачу, а обробку виконують фонові воркери.

Так, коли дотренування справді правильний інструмент. Більшість продуктів досягають більшого з добрими промптами й RAG над власними даними: це дешевше й простіше оновлювати. Дотренування, наприклад LoRA-адаптери на відкритій моделі, доречне, коли потрібен певний голос, формат чи поведінка, яких промпти не втримують. Ми починаємо з набору для оцінювання, щоб виграш можна було виміряти до і після навчання.

Ми вважаємо завантаження даних окремим продуктом: парсер для кожного формату джерела, нормалізація в одну схему, дедуплікація, валідація й логування кожного запису, який не пройшов обробку. До ембедингів, пошуку чи навчання потрапляють лише чисті, нормалізовані дані. Конвеєри працюють як фонові задачі з повторними спробами й видимим статусом, тож видно, які записи оброблено, а які зупинилися і чому.

ШІ-функція на хмарних моделях у нас зазвичай коштує від 10 000 USD. ШІ-застосунок над даними компанії з RAG зазвичай коштує від 10 000 до 40 000 USD. Продукти з власними моделями, як-от дотренування LoRA, RAG-пам'ять та інференс на GPU, коштують від 60 000 до 150 000 USD. Фіксовану ціну першого етапу ми даємо після короткої розмови для оцінки обсягу.

Почнімо ваш проєкт
Записатися на дзвінок