Внедрение DevOps — удалённая работа в Москве

Фаззинг тестирование. Тестирование. Есть исходный код и сборочная система, необходимо по пунктам сделать фаззинг, собрать покрытие, конкретные пункты 1)Проанализируйте исходный код и сборочную систему тестируемой программы. 2) Подготовьте самостоятельно начальные входные данные (seeds) для фаззинга, опираясь на эту информацию. Важно, что фаззинг запустится только в том случае, если хотя бы одно из этих значений не вызывает падение в программе. 3 Выполните сборку тестируемой программы и запустите фаззинг. 4 Проанализируйте и предложите исправления для обнаруженных ошибок. 5 Соберите покрытие и проанализируйте результат. 6 Теперь, написав собственные обертки для фаззинга (по аналогии с specs-slice.cpp) и встроив их в сборочную систему, сделайте так, чтобы затрагивались также и другие функции, которые ранее покрыты не были. 7 Соберите консолидированное покрытие по результатам Файл приложу.

Веб-разработка. Доработка существующего продукта. Нужно срочно к существющей бд подключить ллм gigachat для запроса на естественном языке и получения ответа от базы данных и вывести это на сайт.

Настроить: доступ пользователей. Версия платформы: 2.3. Количество пользователей: от 1 чел Задача: 1с не заходит. Пишет нет лицензии или.

Разработка с нуля. Пожелания и особенности: Нужны видео через нейросеть veo 3 (или аналоги).

Избавится от сброса настроек через 2 часа. Настройка. Как настроить?.

Веб-разработка. Разработка с нуля.

Data Science. Разработка с нуля. Техническое задание на разработку сервиса распознавания изображений с заполнением Excel-таблицы 1. Цель проекта Разработать веб-сервис, который позволяет пользователям загружать изображения, выполнять распознавание содержимого с помощью искусственного интеллекта (ИИ), и автоматически заполнять структурированную таблицу Excel на основе распознанных данных. 2. Основные функции 2.1. Интерфейс пользователя Загрузка одного или нескольких изображений (JPEG, PNG, HEIC, др.). Просмотр статуса обработки каждого изображения. Скачивание готового Excel-файла с результатами. 2.2. Обработка изображений Предобработка изображений: поворот, обрезка, повышение контрастности (при необходимости). Использование модели компьютерного зрения (например, OCR с поддержкой layout-анализов или object detection, в зависимости от задачи). Распознавание следующей информации (в зависимости от типа изображений): Текст (например, с документов, чеков, актов). Табличные данные. Объекты и их количественные характеристики (например, номер, дата, наименование, цена, количество, и т.п.). 2.3. Генерация Excel-файла Создание и сохранение Excel-файла по шаблону. Структура таблицы зависит от типа данных (обсуждается отдельно). Возможность выгрузки данных в формате .xlsx. 3. Требования к системе 3.1. Технологический стек (предлагаемый) Backend: Python (FastAPI / Flask) Модель ИИ: Tesseract OCR / LayoutLM / YOLO / custom model (в зависимости от специфики) Excel: openpyxl или pandas + xlsxwriter Frontend: React / Vue (или минимальный HTML+JS интерфейс) Хранение: локальное или S3/облако (по задаче) Docker для упаковки 3.2. Производительность Обработка одного изображения — не более 5 секунд. Поддержка пакетной обработки до 20 изображений за одну сессию. 3.3. Масштабируемость Возможность запуска в облаке (AWS, GCP, Yandex Cloud). Возможность подключения очередей задач (Celery + Redis) при росте нагрузки. 4. Входные и выходные данные 4.1. Входные данные Форматы: .jpg, .png, .bmp, .heic Размер файла: до 10 МБ Кол-во файлов за сессию: до 20 4.2. Выходные данные Excel-файл (.xlsx) Структура таблицы: согласуется по формату исходных изображений. Пример: | № | Дата | Название товара | Кол-во | Цена | Сумма | 5. Безопасность Ограничение по размеру и числу загружаемых файлов. Очистка пользовательских данных после обработки (по истечении сессии). Ограниченный доступ (при необходимости — через регистрацию/авторизацию). 6. Этапы разработки Сбор требований и уточнение типа изображений. Разработка прототипа ИИ-модуля распознавания. Реализация backend-сервиса. Интеграция с Excel. Разработка пользовательского интерфейса. Тестирование. Развертывание и документация. 7. Возможные улучшения (в будущем) Автоматическая классификация типа документов. Обучение кастомной модели на специфических изображениях. Поддержка других форматов (PDF, скан-копии и т.п.). Интеграция с Google Sheets / CRM.