NeuroCore | Разработка ИИ

Как AI ловит зевки операторов?🥱 Ситуация: в аэропорту операторы следят за экранами, багажом и безопасностью, а усталость крадётся к ним незаметно, как ninja. Они могут не заметить, как в багаже человека может оказаться запрещенный предмет. Но что, если нейросеть станет их личным супергероем, сканируя мимику и взгляд 24/7, чтобы крикнуть: “Ты пропустил важную деталь на снимке, не зевай!”? Мы заморочились и настроили компьютерное зрение, чтобы оно читало лица операторов лучше, чем детектив — улики. Зачем? Чтобы: – Не дать усталости посадить самолёт на "чёрную" полосу. – Держать безопасность аэропорта на максималках. – Сделать смены операторов чуточку легче и безопаснее. Смотрите наш обзор! 🎥 (Или приземляйтесь на сайт) 🌐 #Кейсы

Сбор данных в Дубай: Часть 2/2 (Часть 1/2) Вторая неделя: от кухонных ножей до пушек 🔫 Чтобы нейросеть видела угрозы, нам нужны тысячи снимков. Чем разнобразнее объекты — тем лучше. В багаж закидывали: • Настоящие пушки (7 шт.) в резиновом чехле — оказалось, реальные стволы весят как гири для кроссфита. • 15 ножей. • Ноутбуки, батарейки, бутылки. Проблемы с ножами: часть искуственных ножей была плохо видна на снимках. Решение? Меняли угол укладки объектов, делали десятки повторных прогонов. К концу недели наша таблица прогресса показывала 15%. Очень сильно отстаем по графику, надо срочно нагонять. Но у техники другие планы. В один из дней вдруг перестал работать кондиционер. В помещении +40°C. Большая установка начала постоянно выключаться: виной — перегрев. Делал перерывы, чтобы машинка не слишком умирала (да и меня чтобы не обнаружили в луже пота без признаков жизни). Последние три дня — гонка на выживание: командировка подходила к концу, а минимальный минимум не выполнен. ДС'ы просят еще данных. Нейросеть надо накормить разными ноутбуками. Решение: коллега откуда-то притащил 10 старых устройств с Dubai’s Flea Market. Итоги: • 150 гб данных. • 30% от сбора. • Вывод: если вам говорят, что Дубай — это золотые унитазы, не верьте. Здесь выживают те, кто умеет договариваться с поставщиками, слушать шепот приборов и есть бириани под звуки сломанного сканера. P.S. Индусы, если читаете это: вы крутые. Отдельный лайк парню из магазина — твой провод теперь часть нейросети, спасающей миллионы 😉 #Кейсы

🧭 Навигация по каналу Чтобы вам было проще находить интересный контент, мы разделили публикации по рубрикам. Сохраняйте, чтобы не потеряться! #Советы — Здесь делимся лайфхаками из нашего опыта: как правильно собирать данные, обучать модели и избегать типичных ошибок. Никакой воды — только практика с историями из реальных проектов. #Кейсы — Реальные решения для реального бизнеса. Рассказываем, как помогли компаниям внедрить нейросети, ускорить процессы или сэкономить бюджет. Всё честно: задачи, методы, результаты. #Технообзор — Тестируем новые технологии и инструменты, которые только вышли на рынок. Объясняем, где их можно применить уже сейчас, а где стоит подождать. #ОбзорЗаявок — Анализируем запросы клиентов за месяц: какие задачи чаще всего просят решить, какие тренды появляются и куда движется индустрия. #FaceToFace — Любите кино, историю, мистику и биометрию? Тогда эта рубрика для вас! Разбираем, как меняются лица актёров в разных ролях, мистические истории и теории заговора, и объясняем, что говорят об этом технологии. 🥳 Контент, которым гордимся: 1️⃣ Кейс про наше решение для агропрома с Lidar 2️⃣ Новый подход к авторазметке 3️⃣ Сбор данных в Дубай: Часть 1/2 4️⃣ Сбор данных в Дубай: Часть 2/2 5️⃣ Почему бесплатные тесты – must-have для идеального датасета 6️⃣ Ошибка, которая может стоить тебе времени и денег 7️⃣ Часть 1/2: Тайлер Дерден для ИИ: как мы сняли датасет с драками для обучения нейросети с помощью людей из бойцовского клуба 8️⃣ Часть 2/2: Тайлер Дерден для ИИ: съемки, первый блин комом и «первоход» БК спасает положение 9️⃣ Видеоаналитика нового уровня с платформой NeuroVision

🎯 ИИ в действии — как бизнес меняет запросы в 2025 Февраль показал: компании всё реже просят «просто внедрить ИИ». Теперь нужны решения под конкретные боли. Разбираем три ключевых тренда и их влияние на рынок. 🔥 Топ-запросы месяца 1. Спасти провальные проекты — когда сторонние системы не справляются с задачами (например, камеры не видят нарушений). 2. Эмоциональный опыт для клиентов — нейросети, которые помогают визуализировать результат до покупки. 3. Автоматизация с измеримым ROI — не «сделайте поиск умнее», а «сократите время подбора кандидатов с 4 часов до 20 минут». Подобрали для вас заявки реальных клиентов, которые характеризуют тренды февраля: 1️⃣ ИИ как «скорая помощь» Ситуация: Клиент установил камеры с готовой аналитикой для обнаружения курения, но система давала 70% ложных срабатываний. Задача: сохранить оборудование, но повысить точность до 95%. Решение: Дообучили нейросеть на наших данных (ракурсы, освещение) и интегрировали в текущую инфраструктуру. Почему это тренд? Компании перестали верить в «коробочные» решения, всё больше клиентов интересует кастом или конкретная «заплатка» на уже действующие решения. Иногда компании отказываются от замены систем «с нуля» (по разным обстоятельствам) и теперь ждут, что ИИ адаптируют под их процессы и железо. 2️⃣ «Примерить, прежде чем купить» — новый стандарт Кейс: Сеть барбершопов хочет снизить процент отмен записей. Их идея: приложение, где клиент «примеряет» стрижку через нейросеть. Суть запроса: Нужен не чат-бот с рекомендациями, а чтобы человек «увидел себя» с новой прической и сразу нажал «Записаться». Что изменилось? Ожидания клиентов выросли: им нужен не просто продукт, а эмоциональный опыт для клиента. Кстати, такой подход уже активно тестируют в ритейле (примерка одежды). 3️⃣ Автоматизация с цифрами вместо обещаний Запрос: «Есть CRM с 100k+ резюме. Хотим, чтобы ИИ искал кандидатов за 10 минут, а не 4 часа. И чтобы показывал, по каким критериям он их выбрал». Почему это интересно: Из 23 проектов по автоматизации в феврале 19 включали требования к KPI. Например: - «Сократить время обработки заявки с 2 часов до 15 минут»; - «Увеличить конверсию в покупку после примерки на 25%». 🚀 Что это значит для рынка? 1. ИИ становится «заплаткой». Компании ищут точечные решения для уже работающих систем, а не замену всего ПО. 2. Персонализация = визуализация = эмоциональный опыт. Даже B2B-клиенты ждут «эффекта примерочной» — симуляторы, 3D-превью, интерактивные демо. 3. Цифры вместо гипотез. Внедрять ИИ «просто потому, что это модно» уже не годится. Нужны гарантии ROI и метрики эффективности. 👉 Пишите в NeuroCore — поможем: - Найти слабые места в текущих процессах, которые исправит ИИ; - Просчитать стоимость внедрения ИИ; - Запустить пилот за 1 месяц, а не полгода. #ОбзорЗаявок Февраль 2025

А вот как штормило 🌧 Дубай прямо перед приездом Ромы. 😬

Сбор данных в Дубай: Часть 1/2 (Часть 2/2) Привет! Меня зовут Роман Федоров, я аналитик NeuroCore, и сегодня расскажу, как я две недели в Дубай собирал данные для нейросети, которая учится видеть угрозы в рентген-снимках багажа. Первая неделя: война со сканерами и дождь в пустыне 🌧️ Дубай встретил меня свежестью и последождевой прохладой — редкое явление для пустыни. Такси в 3:30 ночи. Lexus вместо «эконома», 150 дирхам, чтобы добраться до отеля. Грабеж. Первая покупка — кабель. Забыл кошелек в отеле. Денег нет? Индус в магазине сказал: «Заплати завтра». ... Тот же вечер. Купил еды, забыл паспорт на прилавке. Возвращаюсь через 15 минут — индус-продавец бережно держит его в руках. На вопрос «Почему?» ответил: «Вы хороший человек». Первый рабочий день. Оказалось что офис, где размещены наши сканеры, претерпел сильный потоп. Вода попала в электронику, и оба аппарата не запускались. Локальный поставщик? Отвечал: «Не торопитесь, это Дубай». Решил не терять время — начал с интерактивной таблицы прогресса сбора. Наметил план работ, закатал рукава, разложил реквизит. Графики сбора показывали «0%» — оба сканера не работали. И первые 5 дней ничего не менялось. Сами дни превратились в квест: я проверял порты, измерял напряжение, менял реле, разбирал и собирал сканер по звонкам в Zoom с инженерами поставщика. Удалось выяснить в чем проблема. В конце-концов инженеры приехали и решили снять детали с малой установки — старшая «ожила». Тут я понял: Дубай — это не только небоскребы, но и школа выживания для тех, кто готов чинить то, в чем не разбирается. Продолжение уже во вторник. #Кейсы

Марк, наш руководитель разметки, устроил тест-драйв технологии Вот что получилось: 1️⃣ Качество: Как и ожидали — такое себе. Наши клиентские кейсы (например, разметка медицинских коробок) система обработала на слабом уровне. Делаем вывод — там, где нужно угадывать контекст или искать нетипичные объекты, Agentic подкачал. 2️⃣ Скорость: Если классическая разметка — это «гоночный болид», то здесь — «медленная прогулка верхом на черепахе». Но для задач, где однотипных объектов много, а бюджет ограничен, вариант подходит. В целом же есть решения, где модели детекции с SAM общаются и так же к ним можно обращаться. Вот они пока стабильнее. Но если добавить в эту формулу «рассуждения» может получится мощно. 🪨 Выводы Марка: Agentic Object Detection пока не замена классическим методам разметки, но потенциал есть. Технология сыровата, но через полгода — перепроверим. Особенно для задач с десятками объектов в кадре. Если использовать клиентам с низким бюджетом — ок. Но только в качестве опции, если классика разметки по цене «кусается». И только если не нужна пиксельная точность! 🙅‍♂️ А что в будущем? Andrew Ng обещает трекинг объектов, видео и мультиклассы. Если добавить это к нашему стеку — авторазметка станет на 80% дешевле. Но пока пьем кофе и мониторим апдейты. #Технообзор

Новый подход к авторазметке Представь: ты тратишь часы на ручную разметку данных, а клиент говорит: «Нужно дешевле, но чтобы качество не страдало». Знакомо? Мы неоднократно сталкивались с тем же — и решили протестировать новую технологию, о которой кричит весь AI-комьюнити. 🤔 Почему мы вообще за это взялись? Недавно Andrew Ng анонсировал Agentic Object Detection — подход, где ИИ не просто ставит метки, а рассуждает, как человек. Например, чтобы найти объект, агенты анализируют цвет, текстуру, форму, сравнивают паттерны. Звучит топово: высокая точность без долгого обучения моделей! Но есть нюансы: процесс медленный, а заявленные «универсальные сценарии» пока работают только в демках. Мы решили проверить, насколько это жизнеспособно в реальных проектах. Продолжение в следующем посте. #Технообзор

Знаете ли вы, что коровы могут резко терять вес, если заболевают? 🐄 А теперь представьте: на ферме с сотнями коров заметить такие изменения практически невозможно. Но что, если нейросеть сможет следить за каждой коровой в режиме 24/7, анализируя её состояние и предупреждая о проблемах до того, как они станут критическими? Мы взялись за этот вызов и настроили видеоаналитику с использованием Lidar, чтобы научить нейросеть различать коров по признаку полноты. Зачем? Чтобы: - Предотвращать эпидемии. - Обеспечивать высокое качество молока. - Делать жизнь коров и фермеров проще и счастливее. Как это работает? Смотрите в нашем видео! 🎥 (Или читайте на нашем сайте) 🌏 #Кейсы

💬 Ты когда-нибудь задумывался, как контролировать продажи в баре, если не все бармены такие честные, какими кажутся? Владельцы заведений часто сталкиваются с этой проблемой, и я хочу рассказать, как можно её решить. 🎯 Вот с чем обычно приходится иметь дело: • Бармен "забывает" пробить заказ или делает это неправильно. Вроде мелочь, но такие "мелочи" накапливаются, и в конце месяца вылезают серьёзными потерями. • Подмена напитков: клиенту отдают дешёвый коктейль, а в кассу пробивают дорогой. Кто-то явно остаётся в плюсе, но это точно не владелец. • Неточности в учёте: количество реально отданных напитков не совпадает с тем, что пробито в кассе. А куда делись остальные? • Бесплатные напитки: бармен отдаёт коктейль, не пробив его, а деньги кладёт себе в карман. Знакомая история? 💡 Что мы предлагаем? Представь себе систему, которая работает как внимательный помощник за стойкой: • Устанавливаем видеоаналитику, которая следит за каждым движением на барной стойке. Если бармен отдал напиток, система это заметит и проверит, пробит ли он в кассе. • Обучаем систему распознавать тип напитка по форме стакана или цвету жидкости. Это помогает избежать подмены и точнее контролировать продажи. • Интегрируем видеоаналитику с кассовой системой, чтобы автоматически сверять количество отданных напитков с тем, что зафиксировано в кассе. Все данные доступны в режиме реального времени. • Добавляем уведомления: если система видит несоответствие, ты сразу получаешь сигнал. Без лишних проверок и стресса. 💬 Как тебе такая идея? Готов обсудить, как сделать твой бар более контролируемым и прибыльным? Напиши нам! #Решения

Кристиан Бэйл — от "Машиниста" до "Бэтмена" Кристиан Бэйл — это не просто актер, это человек, который превращает свое тело в пластилин ради ролей. В "Машинисте" он был похож на скелет, а в "Темном рыцаре" — на гору мышц. Мы решили проверить, насколько эти две крайности похожи на одного и того же человека. Система распознавания лиц выдает сходство всего 69.66%. Что ж, либо Бэйл — мастер маскировки, либо его диета и тренировки настолько радикальны, что даже нейросеть не уверена, что это один человек. В любом случае, Бэйл впечатляет. #FaceToFace

Почему бесплатные тесты – это must-have для идеального датасета Представь: клиент приходит с запросом на разметку датасета. Ты навскидку оцениваешь проект, сообщаешь прайс клиенту, его всё устраивает — вы стартуете работы. Но через неделю понимаешь, что всё пошло не так. Бессонные ночи, выгорание, разметчики в шоке, клиент недоволен. Знакомо? Вот почему бесплатные тесты – это спасение. Они помогают: - Точно оценить трудозатраты. - Рассчитать справедливую экономику проекта. - Обсудить с клиентом ключевые моменты разметки. А еще тесты помогают выявить "подводные камни". Например, что после 20-го слоя полигонов CVAT начинает нещадно тормозить, или что для задачи нужны не просто разметчики, а эксперты. Что получает от тестов клиент? - Понимание, как будет вестись работа. - Представление о качестве итогового датасета. - Доверие к тебе как к подрядчику. Идеальный тест – это начало идеальных отношений. Клиент включается в процесс, вы отлаживаете все этапы, и дальше работа идет как по маслу. #Советы

Двойник Гитлера — правда или вымысел? Легенды о двойниках Гитлера ходят давно. Некоторые утверждают, что настоящий Гитлер сбежал в Аргентину, а в бункере погиб его двойник. Мы решили проверить, насколько похож "официальный" Гитлер на предполагаемого двойника. Наша система распознавания лиц уверена на 86.9%, что это один и тот же человек. Видимо, Гитлер не стал тратиться на двойников. Ну, или двойник был настолько похож, что даже нейросеть обманул. #FaceToFace

Ошибка, которая может стоить тебе времени и денег 🐄 Представь: ты берешься за новый проект — разметить датасет с коровами. Кажется, всё просто: одна картинка — 5 рублей, 60 картинок в час — и вот ты уже считаешь прибыль. Но тут приходит реальность: на одной картинке не одна корова, а 60! Вместо минуты на разметку уходит целый час. Разметчики в шоке, ты в убытке, а клиент ждет результат. Знакомо? Почему так происходит? Ошибка в том, что ты оцениваешь работу по количеству изображений, а не по реальному объему — полигонам, ббоксам, тегам и т.п. Одна картинка может быть простой, а другая — настоящим вызовом. Подробнее про объекты разметки и процесс разметки читай в нашей статье на VC.RU. Как избежать этой ошибки? - Оценивай проект не по картинкам, а по объектам. Например, считай не изображения, а количество коров (полигонов). - Уточняй у клиента детали: сколько объектов на одной картинке? Это спасет тебя от сюрпризов. - Закладывай риски. Если клиент настаивает на цене за изображение, убедись, что ты учёл все возможные сложности. Почему это важно? Когда ты оцениваешь работу справедливо, все остаются в плюсе: - Клиент платит за реальный объем. - Разметчики получают достойную оплату. - сохраняешь нервы и репутацию. А если клиент настаивает на цене за картинку? Тут включай «режим агента Моссада»: узнай как можно больше о данных. Сколько объектов на изображении? Какие сложности могут возникнуть? Если информации нет, закладывай риски, но будь готов к тому, что клиент может удивиться цене. #Советы

Мы меняем курс. И вот почему это круто Привет! 👋 Мы тут подумали и решили, что пора менять курс. Все вокруг пишут про ChatGPT, спорят, заменят ли нейросети человека, и делятся дайджестами новостей. Но, честно? Это уже утомило. Мы хотим говорить о другом. О реальных кейсах. О том, как внедряем ИИ МЫ, как наше машинное обучение и экспертиза в data science меняет жизнь бизнеса. Мы также не забудем рассказать о том, как это работает, какие задачи решает и какие результаты приносит. И да, будет весело. Мы покажем, как выглядит наша работа изнутри: от первых идей до финальных решений. И, конечно, поделимся тем, что обычно остается за кадром – забавными моментами, провалами и успехами, которые делают нас сильнее. Выходить на связь будем каждые вторник и четверг в ~18:00. 🙂 Кстати, этот год стал для нас знаковым. Мы подготовили видео с ключевыми достижениями и цифрами. Обязательно посмотрите – ведь каждый ваш проект внёс вклад в эту историю успеха!

С праздником, многоуважаемые кодеры! Пусть задачи проджекта всегда будут логичными и понятными, а тестировщик не пишет про новые баги хотя бы раз в неделю🗿 Всем интересных проектов, адекватных коллег и вкусного кофе😌

«А можно нам видеоаналитику?» Что нужно для корректной оценки проекта. Чек-лист от NeuroCore ✅ Возможно есть ясновидцы, которые по запросу в формате «А поставьте нам ИИ для подсчета речных выдр» могут сходу предоставить стоимость работ и оценить сложность, но мы за 7 лет работы в отрасли в такое не верим. Так вот, как понять, что оценка не получена через chatGPT или не посчитана на сайте random.org? Лови проверенный чек-лист для предварительной оценки проекта🙌 1. А куда смотреть? 👀 Запросите у клиента примеры видео или изображений с объекта. Если камеры еще не установлены, то можно снять на телефон с примерного ракурса. В идеале посмотреть на гипотических "выдр" в дневное и ночное время, с учетом разного освещения, с разным количеством объектов для подсчета. 2. Место встречи изменить нельзя🧭 Узнайте у клиента предпочтительный способ установки решения - прямо на объекте или возможна интеграция через облако. Это поможет заранее продумать логистические решения, если будет нужен выезд на нестандартную локацию, а также избежать проблем с наличием каналов для передачи данных или информационной безопасностью, если вдруг это секретные выдры🥸 3. Мир, дружба , жвачка✌️ Заранее узнавайте, требуются ли интеграции с уже существующими системами? Если да, то с какими и какой документацией может поделиться клиент. Это нужно для понимания того, как при необходимости «подружить» свою модель с чужим проектом, и рассчета дополнительных ресурсов. При работе с готовыми системами также не забывайте обозначать зоны ответственности - вы отвечаете только за свой продукт, а не за чужие баги. 4. А можно поконкретнее?🤨 Не забывайте, что клиент не только хочет обойтись минимальными затратами, но и не всегда адекватно оценивает объём необходимых ресурсов. В его вселенной для подсчета выдр на 100м² может быть достаточно одной камеры. Уточняйте, какие данные клиент хочет получить на выходе, желаемую скорость реагирования модели, а также метрики оценки эффективности решения. Без этого невозможно рассчитать требуемые затраты на оборудование, а также на сложность сдачи проекта в части его завершения. Обычно для уточнения всех этих вопросов в случае отсутствия технического задания мы высылаем бриф, помогаем в его заполнении или в качестве отдельной услуги помогаем на коммерческих условиях (по себестоимости) написать данное ТЗ, которое позволит не только нам выполнить работы по нему, но и обратиться к коллегам по рынку. Таким образом все будут однозначно понимать: площадь выдр в пикселях, фпс камеры, освещение в люменах и его переменчивость, серверные мощности, а также критерии успешности проекта, чтобы любой эксперт помимо нас смог бы не пропустить ни одну выдру при подсчетах на этапе реализации проекта. Не забывайте, что общение с клиентом не только помогает вам избежать возможных технических трудностей внутри проекта, но и повышает вероятность повторного обращения🤝 Сохраняйте чек-лист для проверки и считайте выдр правильно вместе с NeuroCore 🦦

Зелёные флаги при выборе поставщика данных для нейросетей: разница подходов и почему важны тесты?📊 Гайд от менеджера NeuroCore Сбор и разметка данных являются одним из наиболее конкурентных направлений в AI сфере. И это неудивительно, ведь качественный датасет является базой машинного обучения. Именно поэтому выбор поставщика данных является важным этапом каждого крупного проекта. Конечно, есть базовые схемы сбора данных, и всё же подходы разных компаний к этой задаче отличаются. Подобные нюансы могут подсказать клиенту на какой уровень качества и вовлечённости в проект он может рассчитывать в работе с конкретной командой. На наш взгляд, одним из таких "зелёных флагов" является готовность компании-поставщика собрать тестовый датасет. Разберемся, на что нужно обратить внимание клиенту, и как тесты помогают компании-поставщику в грядущей работе над проектом. Оценка цен и сроков Без тестов трудно объективно установить цены и сроки проекта. К примеру, представим, что к нам пришел клиент с задачей разметить 40 000 картинок за 1 неделю. Чтобы понять стоимость разметки и время разметки — нам надо провести тесты. Гипотетически, после тестов мы выясним, что один разметчик может обработать 1000 картинок в час. При средней занятости 4 часа в день он сможет обработать 4000 картинок . Если клиенту требуется 40 000 картинок, то на это уйдет 10 рабочих дней. Т.к. сроки сжатые, и клиенту необходимо завершить работу за 1 неделю, то придется нанимать еще одного разметчика, и проект может быть завершен за 5 дней. Тесты важны для грамотной оценки проекта, и игнорирование этого этапа негативно сказывается на общем результате, а также исключает персональный подход к задаче клиента. Подводные камни Раскрытие данного пункта начну с небольшой истории. Однажды мы взяли агропромышленный заказ на разметку свиней с помощью bbox. На первый взгляд задача была простейшей — разметка в один класс, не дороже 2 рублей за ббокс. Когда дошло дело до реализации выяснилась одна маленькая деталь, которая замедляла разметку примерно в ~5 раз. Количество свиней на 1 фото иногда переваливало за 100 шт., что в конечном итоге "убивало" интерфейс разметки: он начинал очень сильно глючить и тормозить, в результате чего KPI разметки отличался от прогнозируемого. Тот проект скрепя сердце мы довели до конца, но команда разметки изрядно для этого попотела. Тем самым, тестовые датасеты позволяют выявить подводные камни проекта, которые могут быть незаметны на первый взгляд, но станут кристально видны на уже выполненной разметке. Обладая пониманием этих нюансов, как клиент, так и команда разметки могут исключить недоразумения, обеспечивая более высокое качество конечного датасета. Такой подход помогает команде избежать правок постфактум - проще выявить потенциальные подводные камни на тесте, чем мириться с ними при итоговой работе над проектом. Чекап датасета Кроме того, анализ тестов помогает клиенту и команде разметки выявить ошибки в работе и качество разметки. По результатам тестирования возможно оптимизировать интерфейс разметки, что значительно упростит работу и повысит ее эффективность. К примеру, те же bbox (ограничивающий прямоугольник) можно ставить по-разному, даже если ТЗ разметки на один класс. На это может влиять много факторов: видимость объекта, количество объектов на одном фото, скорость интерфейса разметки. Т.к. ситуации могут быть разные — тесты надо проводить. Успех компании во многом зависит не только от качества и стоимости проводимых работ, но и, в большей степени, от клиентоориентированности при выполнении задач. Разбирайся в бизнес-процессах вместе с NeuroCore 🤝