cat about.md

Небольшая команда AI-инженеров и highload-архитекторов

С 2013 года занимаемся архитектурой и highload-системами, с 2023-го системно ведём проекты по AI-интеграции. Мы не AI-стартап на хайпе и не интеграторы, которые только что услышали про LLM: это два полноценных направления одной инженерной команды. Сейчас команда работает под именем KV.solutions, а безопасность стала отдельным направлением.

Основатель

Кто ведёт проекты

Founder · Principal Architect

Вячеслав Конашков

12+ лет в архитектуре highload-систем: финтех, AdTech, SaaS, e-commerce. В последние годы ведёт направление AI-интеграции: RAG, агенты, LLM-инфраструктура. Отвечает за архитектурные решения и напрямую работает с CTO.

В цифрах

Краткая история

Сначала архитектура и highload, затем AI-интеграция как второе полноценное направление, а теперь и безопасность — как отдельное.

2013с этого года — архитектура и highload
12+ летопыт основателя в highload-архитектуре
2023с этого года — проекты по AI-интеграции
2–4инженера на проекте плюс выделенный архитектор
Кто работает над проектами

Команда

На каждом проекте — выделенный архитектор и 2–4 инженера, в зависимости от масштаба. Без длинных цепочек согласований и без менеджеров между вами и инженерами.

AI / ML-инженеры

AI-команда

RAG, агенты, промпт-инжиниринг, fine-tuning, eval-пайплайны. Знают, чем cross-encoder отличается от bi-encoder и когда LoRA лучше full tuning. И почему чаще всего не нужно ни то, ни другое.

Senior backend-инженеры

Backend-команда

Go, Node.js, Python. Строят API вокруг моделей, gateway-слои, очереди и интеграции с внутренними системами. У всех есть опыт работы в продуктовых командах и в on-call.

LLMOps · платформа · SRE

Платформенная команда

Kubernetes, vLLM, Terraform, observability, FinOps. Поднимают inference-кластеры и LLM gateways, на которых продуктовые команды выпускают AI-фичи каждый день, а не «когда освободится GPU».

Data- и vector-инженеры

Data-инженеры

Postgres / pgvector, ClickHouse, Qdrant, Weaviate, Kafka, пайплайны на Whisper. Доводят векторную инфраструктуру и пайплайны неструктурированных данных до production-ready состояния.

Eval и качество

Eval-инженеры

Golden datasets, Ragas, Langfuse, A/B-тесты, регрессионные тесты на промпты и модели. Мы не релизим наудачу. Сначала измеряем.

Принципы

Как мы работаем

Это не корпоративные мантры, а фильтр, через который мы пропускаем каждый проект и каждое решение.

01

Технология — инструмент, а не самоцель

LLM, микросервисы, Kubernetes: каждое решение должно оправдывать свою сложность. Если задачу решает SQL или монолит, мы так и скажем.

02

Измеряем качество, а не впечатления

Golden datasets, eval-пайплайн, faithfulness, context precision, A/B-тесты на пользователях. Без этого «улучшения» — дело вкуса.

03

Стоимость — это продуктовая метрика

Считаем стоимость токенов, cache-hit rate и стоимость запроса с первого дня. AI-проекты чаще проваливаются из-за счетов за облако, чем из-за качества.

04

Продакшен — это серьёзно

SLO, on-call, постмортемы, observability, rate limits, fallback. Выпустить AI-фичу — значит эксплуатировать её под нагрузкой, а не показать один раз на демо.

05

Безопасность с первого спринта

PII-фильтры, защита от prompt injection, аудит-след. Не «потом добавим»: это заложено в архитектуру с самого начала.

06

Ваша команда — наша команда

Парное проектирование, ревью, передача знаний. После нашего ухода промпты, модели и оркестрация остаются в руках вашей команды.

Контакты

Расскажите о своём проекте

AI-фича, оптимизация highload-сервиса или архитектура с нуля — опишите, где вы сейчас и куда хотите прийти. Ответим в течение одного рабочего дня и подпишем NDA до обсуждения деталей.

Обсудить проект