ls cases/

Десять проєктів, на яких видно, що ми робимо

Назви клієнтів під NDA, тому говоримо про галузь, масштаб і виміряний результат: faithfulness, latency, вартість, конверсія, uptime. На запит організуємо референс-дзвінок із командою, з якою ми працювали.

AI-кейси

AI-інтеграція та LLM-системи

Клієнт просить «AI-можливості», а отримує вимірюване прискорення, нижчі витрати та якість, яку можна довести на golden set.

Фінтех / RAG · compliance2.4M документів

RAG-копілот для compliance-аналітиків

Задача. Аналітики витрачали 30–60 хвилин на розбір кожного кейсу: шукали серед 2.4M внутрішніх документів і звіряли регуляторні вимоги. Open-source пошук видавав нерелевантні результати, а наївний RAG галюцинував.

Що зробили. Гібридний пошук (BM25 + ембединги) з cross-encoder ре-ранжуванням. Чанкінг з урахуванням структури документів. Окремий прохід фактчекінгу на Claude. Citation-aware UI, де кожне твердження посилається на джерело. Оцінювання на golden set із 1200 пар.

Результат. Faithfulness 0.94 (проти 0.71 у baseline), час розбору кейсу скоротився з 40 до 6 хвилин, вартість токенів знизилася на 72% завдяки prefix caching і маршрутизації простих запитань на дешевші моделі.

  • Claude
  • pgvector
  • BM25
  • Ragas
  • Langfuse
6.5×швидший аналіз
0.94faithfulness
−72%вартість проти наївного RAG
E-commerce / агенти800K тікетів / місяць

AI-агент у службі підтримки маркетплейсу

Задача. Великий потік типових звернень: «де моє замовлення», «поверніть гроші», «змініть адресу». Час першої відповіді становив 9 хвилин, оператори підтримки вигорали, NPS був −18.

Що зробили. Агентний пайплайн на LangGraph із tool use: перевірка статусу замовлення, оформлення повернення, зміна адреси, ескалація. Human-in-the-loop для повернень коштів понад порогову суму. Окремий захисний шар від prompt injection.

Результат. Час першої відповіді скоротився з 9 хвилин до 12 секунд, 68% звернень закриваються автоматично, NPS підтримки — +12. Команда підтримки переключилася на складні випадки та проактивну роботу з клієнтами.

  • GPT-4o
  • LangGraph
  • tool-use
  • Postgres
  • Redis
45×швидша перша відповідь
68%автоматичне вирішення
+12 NPSпідтримки
SaaS / LLMOps10M req/day · multi-team

Production LLM gateway з маршрутизацією та кешуванням

Задача. 14 продуктових команд незалежно одна від одної зверталися до OpenAI та Anthropic. Витрати зростали швидше за виручку, ніхто не бачив, хто скільки витрачає, запити часто впиралися в rate limit, а fallback не було.

Що зробили. Спроєктували й запустили gateway: єдиний API, маршрутизація між Claude, GPT і Llama за типом задачі та SLO, семантичний кеш, rate limiting для кожного тенанта, retry і fallback на 429 / 5xx, розподіл витрат через OpenTelemetry. PII-фільтри та бюджет токенів на користувача.

Результат. Вартість токенів за квартал знизилася на 64%. Overhead gateway — 42 ms на p99. Жодного інциденту через rate limit за 6 місяців. Кожна команда бачить свої витрати в реальному часі.

  • Go
  • Redis
  • vLLM
  • OpenTelemetry
  • Langfuse
10Mзапитів / день
−64%вартість токенів
42 msoverhead p99
DevOps / AI-агент1.4K інцидентів / місяць

AI-агент для автоматичного тріажу продакшен-інцидентів

Задача. SRE-команда тонула в алертах: 50% хибних спрацьовувань, MTTA 18 хвилин, чергових інженерів будили 3–4 рази за ніч.

Що зробили. AI-агент читає алерт, підтягує пов'язані метрики й логи через MCP, шукає схожі інциденти в постмортемах (RAG) і пропонує гіпотезу та runbook. Якщо впевненість нижча за поріг, передає інцидент людині разом з уже зібраним контекстом.

Результат. MTTA скоротився з 18 до 2 хвилин, бо контекст для інженера збирає агент. 41% алертів закриваються без участі чергового як відомі проблеми. Нічних пробуджень стало у 3.5× менше.

  • Claude
  • MCP
  • Prometheus
  • Loki
  • pgvector
9×нижчий MTTA
41%автотріаж
−72%навантаження на on-call
Аналітика / data lake & DWH120K годин дзвінків / місяць

Аналіз дзвінків відділу продажів за допомогою LLM

Задача. Записи дзвінків були неструктурованим шумом. Прослуховувати їх вручну було неможливо, стара BI-система охоплювала лише CRM, а менеджери заповнювали поля як доведеться.

Що зробили. Пайплайн: транскрипція (Whisper), діаризація, структуроване видобування даних (LLM пише за суворою JSON-схемою), виділення заперечень і ключових запитань, вітрини в ClickHouse, дашборди для відділу продажів і продуктової команди.

Результат. 100% дзвінків автоматично розмічаються протягом 5 хвилин після завершення розмови. Продуктова команда бачить реальні заперечення клієнтів, а менеджери отримують зворотний зв'язок із цитатами. Конверсія продажів за квартал зросла на 9%.

  • Whisper
  • Claude
  • ClickHouse
  • Kafka
100%покриття дзвінків
5 minSLA від завершення дзвінка
+9%конверсія
Highload-кейси

Архітектура та інженерія систем під навантаженням

Платежі, RTB, пошук, multi-tenant SaaS, real-time сесії. Метрики — це те, заради чого ці проєкти й робилися.

Фінтех / платежі35K RPS · 4 регіони

Платіжна платформа: від моноліту до event-driven ядра

Задача. На піках платіжна платформа впиралася в базу даних, релізи виходили раз на два тижні й супроводжувалися інцидентами, а бізнес планував зростання транзакцій у 5–6×.

Що зробили. Розділили моноліт на 9 сервісів навколо bounded contexts. Kafka як шина, outbox і оркестрація саг. Multi-region кластер Kubernetes з active-active платіжним ядром.

Результат. p99 платіжного API знизився з 850 ms до 110 ms. Релізи — щодня. Витрати на інфраструктуру зменшилися на 40%. Платформа витримала зростання у 6×.

  • Go
  • Kafka
  • Postgres
  • K8s
  • AWS
7×нижчий p99
6×зростання TPS
−40%витрати на хмару
AdTech / RTB250K QPS · multi-AZ

Real-time bidding пайплайн із SLA 95 ms

Задача. Запустити RTB-бідер, який вкладається у 100 ms бюджету аукціону та стабільно тримає 200K+ QPS на піку.

Що зробили. Пайплайн на Go з in-memory feature store на Redis Cluster. Аналітика й навчання моделей у ClickHouse, real-time ingestion через Kafka. Multi-AZ розгортання з health-aware балансуванням навантаження.

Результат. 250K QPS, аукціони завершуються за 95 ms на p99. 18 місяців без жодного інциденту з втратою виручки.

  • Go
  • Redis
  • ClickHouse
  • Kafka
  • AWS
250KQPS
95 msSLA p99
99.99%uptime
E-commerce / пошук12M SKU · 4M MAU

Пошук і фасетна навігація для маркетплейсу

Задача. Пошук по 12M товарів працював повільно — 800 ms на p95 — і падав під піковим навантаженням. Конверсія з пошуку в кошик перестала зростати.

Що зробили. Перейшли на Elasticsearch із попередньо обчисленими фасетами та автодоповненням, розділили ноди за ролями data, coordinating та ingest і перевели індексацію на потік із Kafka.

Результат. p95 пошуку знизився з 800 ms до 80 ms. Конверсія з пошуку в кошик зросла на 18%. Повна переіндексація каталогу триває 25 хвилин замість 6 годин.

  • Elasticsearch
  • Node.js
  • Kafka
  • Postgres
10×швидший p95
+18%конверсія
14×швидша індексація
B2B SaaS / multi-tenant1.2K тенантів

Multi-tenant платформа: ізоляція та масштабованість

Задача. SaaS переріс підхід зі спільною базою даних: «шумні сусіди» заважали одне одному, compliance-аудити тривали тижнями, а тенантів інженери розгортали вручну.

Що зробили. Перейшли на schema-per-tenant з автоматичним провіжинінгом через Terraform. Відокремили критичний шлях від аналітики. Rate limits і квоти ресурсів для кожного тенанта в Kubernetes.

Результат. p95 запитів — у 3× нижчий. Провіжинінг тенанта скоротився з 2 днів до 90 секунд. Аудит і compliance автоматизовано.

  • Postgres
  • Terraform
  • K8s
  • Go
3×нижчий p95
90 sпровіжинінг
0інцидентів за 12 місяців
Геймінг / real-time800K MAU · <50 ms p99

Real-time бекенд для multiplayer-сесій

Задача. Бекенд для real-time сесій із передбачуваною затримкою, який витримує сезонні піки аудиторії.

Що зробили. Сервіси матчмейкінгу та стану на Go з Redis Streams. Сесії розподілено між регіональними шардами, тож відмова одного шарда не зачіпає інші. Blue/green розгортання з прогріванням.

Результат. p99 мережевої затримки — менше ніж 50 ms. 800K MAU без деградації. 18 місяців у продакшені без жодного простою.

  • Go
  • Redis Streams
  • NATS
  • K8s
<50 msp99
800KMAU
0простоїв за 18 місяців
Наступний крок

Маєте схожий проєкт?

Розкажіть про вашу систему та її метрики. Покажемо, як ми підійшли б до задачі та скільки це коштуватиме.

Обговорити проєкт