Продукты любой сложности. Собранные и запущенные за недели.

Задача

Первый ролик выложил как снял — 4:46. Среднее время просмотра 29 секунд, удержание 10%, ноль пересылок. При этом пропусков меньше типичного, а лайков и сохранений больше: хук работал, убивал хронометраж — польза начиналась только на 2:32.

Решение

Конвейер, в котором монтаж ведёт расшифровка речи. Речь распознаётся локально с пословными таймкодами, дорожка с диктофона выравнивается по камере автоматически, паузы и слова-паразиты вырезаются по фонограмме, субтитры собираются пословно — на четырёхминутный ролик это 626 отдельных карточек, — а b-roll привязан к индексам слов, а не к секундам, поэтому переживает перемонтаж речи. Всё режется одним проходом ffmpeg, монтажная программа не нужна.

Находка

Тянущиеся «ээ» не видит ни детектор тишины — они озвучены, ни распознавание — оно их выбрасывает; причина нашлась в собственном коде. Обратная сторона починки: агрессивный рез съел «он не» во фразе «почему он не мог» и перевернул смысл на противоположный. Теперь ядро каждого слова защищено от подрезки, а каждая сборка проверяет себя сама — готовый файл заново распознаётся и сверяется с ожидаемым текстом.

Результат

Второй выпуск: та же тема и та же съёмка, но 2:32 вместо 4:46 и 1 790 просмотров против 771 — в 2,3 раза больше, притом что вышел он позже первого.

Задача

Бургерная в США: на плите одновременно до двадцати котлет, и каждая должна отжариться своё время с каждой стороны. Никто это не считает — котлеты неотличимы одна от другой, повар держит их в голове, и в час пик голова подводит. Задача: по видео с неподвижной камеры знать, сколько жарилась каждая сторона каждой котлеты, и подсказывать повару момент переворота и снятия. Обычный трекинг здесь не работает: повар закрывает котлеты руками и лопаткой, дым и шкворчание масла заставляют детектор прыгать, автоэкспозиция темнит всю плиту, когда повар наклоняется. Главное же — переворот это не движение, а смена стороны: котлета остаётся ровно там же.

Находка

Ключевое решение пришло из измерения, а не из идеи: котлета покоится 82–99% своей жизни, а 97–98% соседних детекций расходятся меньше чем на 0.06 радиуса. Значит, плита — это доска фиксированных мест, а не видео движущихся предметов. Место закрепляется один раз, когда котлета улеглась, и дальше детектор отвечает не на вопрос «с каким треком связать рамку», а на вопрос «моя котлета всё ещё здесь». Что бы ни происходило над местом, до и после там те же самые пиксели — и переворот решается по цвету закреплённого кропа поперёк эпизода манипуляции. Предыдущая версия считала переворотом исчезновение трека, и настоящими были 24% её срабатываний.

Как устроено

Данные размечал сам, без Label Studio, CVAT и Roboflow: открытословарная модель ставит рамки на низком пороге, классификатор лица котлеты выбрасывает всё, что не котлета, а пустая плита идёт в датасет негативом. 551 обучающий кадр и 5183 рамки из двух реальных смен на кухне заказчика. Классификатор лица — сырое, зажаренное, сыр, не котлета — размечен кластерами: один взгляд человека на монтаж из сотен кропов даёт метку на все. Модели: дообученный YOLO как боевой детектор, mAP50-95 0.96; ResNet18 с логистической регрессией поверх — лицо котлеты, точность 94.4%; RF-DETR как лицензионно чистая замена YOLO. Чтобы сравнивать их честно, я вручную разметил каждый переворот на 16-минутной смене — 22 события — и прогоняю оба детектора через один движок и один эталон. Нормативы времени тоже посчитаны из реальных сторон, а не назначены сверху: курица 300/190 секунд, говядина 165/175, и котлета сама выбирает свой норматив по красноте в покое.

Продукт

Продукт целиком: планшет жарщика с кольцами и таймерами поверх живой картинки плиты, админка со сменами, нормативами и отчётами, хаб на Railway и edge-воркер на кухне, который не открывает наружу ни одного порта.

Статус

Это пилот. На смэше движок берёт все перевороты без единой ошибки и рисует кольцо через 2.4 секунды после укладки; на длинной смене полнота 59% при точности 72% — мешают малый цветовой перепад у говядины, тени перчаток и одновременные перевороты соседей. Это предел ракурса камеры, а не движка, и следующий шаг — камера сверху.

Стек

Python, YOLOv8, RF-DETR, PyTorch, OpenCV, TensorRT, FastAPI, Postgres, Railway.

Задача

У Doscar есть работающее приложение на React Native и команда из семи человек. Проблема была не в том, что оно не работает, — а в том, что перестало продавать: карточка авто выглядела как строка прайс-листа, наличие и цвета терялись по дороге от API до экрана, а любая иммерсивная идея упиралась в мост RN. Задача: не демо с моками, а рабочий клон на реальном API, чтобы владелец бизнеса поставил его рядом со своим и сравнил.

Решение

Собрал два нативных клиента — iOS на SwiftUI и Android на Jetpack Compose, оба ходят в тот же продакшен-бэкенд, тот же аккаунт, тот же каталог. Продуктовую страницу флагмана переделал в лонгрид: вертикальная лента с автоплей-видео по скроллу, интерактивный контроль клиренса пневмоподвески, разбор силовой установки, 3D-тур по реальному скану шоурума.

Как устроено

Контент страницы приходит с бэкенда блоками: маркетинг правит тексты и видео без релиза, а неизвестный тип блока клиент молча пропускает, поэтому старые сборки не ломаются. Сверху — функции, которых в текущем приложении нет вовсе: обратный конфигуратор, где комплектация и цена вычисляются пересечением множеств совместимости, подбор авто по сценарию езды, гараж с телеметрией и командами сигнализации, автоопределение города. Аналитика своя с первого дня: единая таксономия событий на обе платформы, autocapture выключен, а идентификатор пользователя совпадает с id клиента в бэкенде дилера — поэтому поведение в новом клиенте сравнимо с боевым по одному и тому же человеку.

Результат

~46 000 строк нативного кода на двух платформах меньше чем за месяц, один разработчик с ИИ-агентами. ~1 150 строк интерфейса переведены на казахский на обеих платформах.

Статус

Neo — клон для сравнения, а не замена. Боевое приложение у заказчика по-прежнему на React Native, сборки Neo уходят в закрытый TestFlight.

Стек

SwiftUI, Swift 6, Kotlin, Jetpack Compose, Ktor, Media3, ASP.NET Core API, Amplitude, Crashlytics.

Продукт

Трёхдневный обучающий хакатон для сотрудников медиахолдинга: стратегия, аналитика, аккаунтинг, закупка, топ-менеджмент. Минимум теории, максимум практики — команды по департаментам за три дня доводили собственные проекты от идеи до защиты перед жюри.

Как устроено

Проекты брались из реальных процессов агентства: автоматизация Post-Buy отчётности, конкурентный анализ, проверка клиентских брифов, разбор договоров, ассистент медиастратегии. Четыре основные лекции — устройство LLM, промпт-инжиниринг, сборка MVP без кода, живая сборка прототипа — плюс четыре дополнительные со свободным посещением. Для проведения собран отдельный лекционный портал: анимированные объяснения механики моделей и живой playground на Anthropic API, где токенизация, контекстное окно, температура и reasoning показывались залу в реальном времени.

Результат

40 участников, 6 команд, 5+ проектов доведено до защиты за два дня работы. После защиты владелец компании публично запросил персональную программу, ещё одно подразделение вышло с запросом на отдельный хакатон.

Ссылки

Программа и форматы обучения: corp.galymzhan.pro

Продукт

Бесконечный раннер в Telegram для промо Coca-Cola × Salam Bro в Казахстане: 20 городов с реальными достопримечательностями, бонус-уровень Астаны с механикой LRT, лидерборды.

Решение

Шансы на приз начисляются за реальную покупку: чек распознаётся OCR и сверяется с кассовой системой iiko, поэтому накрутить нельзя. Призовой фонд — 3× PlayStation 5 Pro и сопутствующие призы.

Результат

3227 игроков, 160 658 проведённых забегов, 9759 шансов, купленных за комбо с бургерами, 888 выданных подарков. MVP-концепт — 1 день, полная реализация с утверждённым геймдизайном, анимациями, звуком и геймплеем — 4 дня.

Стек

Phaser 3 + TypeScript, Fastify + PostgreSQL, Telegram-бот на grammY, парсер чеков на Vision OCR.

Ссылки

Играть: @bro_runner_2026_bot

Продукт

Мобильное приложение, которое считает повторения упражнений компьютерным зрением на устройстве и верифицирует их — честные челленджи и лиги без накруток.

Как устроено

Построено без штатных разработчиков: как product owner вёл спеки, дизайн и архитектурные решения, всю реализацию — оркестр AI-агентов (GM-009). Собрано за 2 месяца от старта до публикации, параллельно с самой системой оркестрации.

Проверки

До релиза прошло независимый IP- и лицензионный аудит и App-Store-compliance ревью: свап CV-модели на permissive-лицензию, модерация UGC, защита несовершеннолетних.

Статус

Уже в App Store — скачать; версия для Android — скоро.

Стек

React Native/Expo, on-device CV (ncnn/MoveNet), Supabase.

Продукт

Фреймворк, превращающий AI-агентов в распределённую продуктовую команду: семь специализированных ролей — PM, разработка, релиз, QA, юрист, CMO, SMM. Координируются автономно через общий чат-шину, per-role инбоксы и self-pacing-циклы.

Как устроено

Своя decision-tiering эскалация, multi-agent fan-out для тяжёлых задач, shared-state и sleep/wake-управление. Не привязан к одному продукту — переносится на любой проект и команду.

Результат

doReps (GM-008) — первый кейс, собранный этой системой целиком. Развивается параллельно с ним, 2 месяца от старта.

Стек

Node/TS, Fastify/Prisma, Railway, Telegram API.

Продукт

Конструктор контрольных работ (СОР/СОЧ) нового поколения для школьной платформы Robi: учитель фильтрует банк по целям ГОСО, собирает вариант, пересчитывает баллы и печатает форму A4 под LMS.

Как устроено

Контент собирает AI-оркестрованный пайплайн: параллельные агенты читают учебники, включая казахские PDF, и авторят задания по спецификации МОН в едином JSON-контракте. Независимый «решатель» вслепую перерешивает каждую задачу и сверяет с эталоном, а валидатор проверяет инварианты — сумму баллов, дескрипторы, коды целей.

Результат

Финальная валидация — ноль нарушений. В проде банки по нескольким предметам, суммарно 2 500+ заданий с привязкой к учебным целям ГОСО, демо-экзамены по четырём предметам.

Стек

vanilla HTML/CSS/JS + Vercel, Higgsfield z_image для фото-стимулов, Anthropic API для пересчёта баллов, Claude Code для оркестрации пайплайна.

Ссылки

Живое демо: robi-demo.vercel.app

Система проведения промо-акций с проверкой подлинности покупки через OCR товарных и фискальных чеков. Прямая интеграция с POS защищает бюджет заказчика от фрода. Сейчас работает на совместной акции Salam Bro × Coca-Cola. От концепта до продакшна — 2 дня.

Аналитическая система на основе данных POS всех заведений сети. Выручка, средний чек, операционные метрики в реальном времени — одно окно для всей сети.

Автоматический сбор постов в Instagram, Threads и TikTok. Динамика показов, лайков, комментариев. Еженедельные отчёты для маркетинг-команды без ручного труда.

Продукт

Казахстанское фитнес-приложение с ИИ-подсчётом упражнений: приседания, отжимания, планка, GPS-пробежки, челленджи между организациями, XP и награды. Резидент Astana Hub, цель — массовый спорт и доступ к тренировкам для детей и молодёжи из регионов.

Роль

Формирую продуктовую стратегию, ищу PMF, строю финансовую модель, управляю командой разработки.

Ссылки

Приложение вышло в обоих сторах. App Store · Google Play · aisport.kz · Instagram

Два параллельных продукта: автоматизация отслеживания тендерных заявок и сервис для прорабов, который даёт заказчику прозрачный контроль стройки и ремонта.

Небольшие онлайн-игры с образовательным фокусом. Опыт LMS Robi помогает понимать педагогические метрики и удерживать внимание ребёнка.