cat about.md

Невелика команда AI-інженерів і highload-архітекторів

З 2013 року займаємося архітектурою та highload-системами, а з 2023-го системно ведемо проєкти з AI-інтеграції. Ми не AI-стартап на хайпі й не інтегратори, які щойно почули про LLM: це два повноцінні напрями однієї інженерної команди. Тепер команда працює під назвою KV.solutions, а безпека стала окремим напрямом.

Засновник

Хто керує роботою

Засновник · Principal Architect

В'ячеслав Конашков

12+ років в архітектурі highload-систем: фінтех, AdTech, SaaS, e-commerce. Останні роки веде напрям AI-інтеграції: RAG, агенти, LLM-інфраструктура. Відповідає за архітектурні рішення та працює безпосередньо з CTO.

У цифрах

Коротка історія

Спершу архітектура та highload, потім AI-інтеграція як другий повноцінний напрям, а тепер і безпека як окремий напрям.

2013рік, з якого займаємося архітектурою та highload
12+ роківдосвід засновника в highload-архітектурі
2023рік, з якого ведемо проєкти з AI-інтеграції
2–4інженери на проєкті плюс виділений архітектор
Хто працює над проєктами

Команда

На кожному проєкті — виділений архітектор і 2–4 інженери, залежно від масштабу. Жодних довгих ланцюжків погоджень і жодних менеджерів між вами та інженерами.

AI / ML-інженери

AI-команда

RAG, агенти, промпт-інженерія, fine-tuning, eval-пайплайни. Знають, чим cross-encoder відрізняється від bi-encoder і коли LoRA краща за повний fine-tuning. А ще — чому здебільшого не потрібне ні те, ні те.

Senior backend-інженери

Backend-команда

Go, Node.js, Python. Будують API навколо моделей, gateway-шари, черги та інтеграції з внутрішніми системами. Усі мають досвід роботи в продуктових командах і on-call.

LLMOps · платформа · SRE

Платформна команда

Kubernetes, vLLM, Terraform, observability, FinOps. Піднімають inference-кластери та LLM gateway, на яких продуктові команди випускають AI-фічі щодня, а не «коли звільниться GPU».

Data & vector-інженери

Data-інженери

Postgres / pgvector, ClickHouse, Qdrant, Weaviate, Kafka, Whisper-пайплайни. Доводять векторну інфраструктуру та пайплайни для неструктурованих даних до production-ready стану.

Eval & якість

Eval-інженери

Golden datasets, Ragas, Langfuse, A/B-тести, регресійні тести промптів і моделей. Ми не релізимо навмання. Спершу вимірюємо.

Принципи

Як ми працюємо

Це не корпоративні мантри. Це фільтр, крізь який ми пропускаємо кожен проєкт і кожне рішення.

01

Технологія — інструмент, а не самоціль

LLM, мікросервіси, Kubernetes: кожне рішення має виправдовувати свою складність. Якщо задачу розв'язує SQL або моноліт, ми так і скажемо.

02

Вимірюємо якість, а не враження

Golden datasets, eval-пайплайн, faithfulness, context precision, A/B-тести на користувачах. Без цього «покращення» — справа смаку.

03

Вартість — це продуктова метрика

Рахуємо вартість токенів, cache-hit rate і вартість запиту з першого дня. AI-проєкти частіше зазнають невдачі через рахунки за хмару, ніж через якість.

04

Продакшен — це серйозно

SLO, on-call, постмортеми, observability, rate limits, fallback. Випустити AI-фічу — означає експлуатувати її під навантаженням, а не один раз показати демо.

05

Безпека з першого спринту

PII-фільтри, захист від prompt injection, журнал аудиту. Не «додамо потім»: це закладено в архітектуру від самого початку.

06

Ваша команда — наша команда

Парне проєктування, рев'ю, передача знань. Коли ми йдемо, промпти, моделі та оркестрація залишаються за вашою командою.

Контакти

Розкажіть про ваш проєкт

AI-фіча, оптимізація highload-сервісу чи архітектура з нуля — опишіть, де ви зараз і куди хочете прийти. Відповімо протягом одного робочого дня й підпишемо NDA перед обговоренням деталей.

Обговорити проєкт