Али Саллум

AI-ускоренный Full-Stack архитектор — масштаб, безопасность, продакшен.

Схема: reverse proxy к Manager, затем маршрутизация к Unix-сокетам супервизора и агентов
25 → 1
Сервисов в управлении
< 5ms
Оверхед прокси
CI/CD • Кейс 01

От сервиса на каждого агента к единому менеджеру

Первую версию хостинга агентов я сделал сам: отдельный сервис на каждого агента партнёра, со своим процессом и конфигом прокси. Это работало, но при 25 агентах каждый релиз означал правку 25 сервисов. Я переработал схему: один менеджер на окружение поднимает агентов из админки и маршрутизирует к ним запросы через Unix-сокеты, поэтому релизы, бэкапы и выкатка на несколько серверов стали предсказуемыми.

  • Заменил повторяющиеся ручные шаги деплоя на единый и понятный операционный процесс.
  • Упростил бэкапы и раскатку на несколько серверов за счёт стандартизированной структуры сервисов.
Бэкенд • Кейс 02

Система оркестрации рассылок на PocketBase

Я построил подсистему оркестрации push-рассылок поверх бэкенда приложения на PocketBase, чтобы администраторы могли запускать таргетированные кампании без участия разработчиков. Система управляет выборкой аудитории, очередью доставки через Firebase, отслеживанием прогресса в реальном времени и полной телеметрией доставки — видно, что отправлено, что упало и что нужно повторить.

Технический фокус

  • Спроектировал детерминированный воркер очереди: статусы по каждому устройству, ретраи и идемпотентная обработка без дублей отправки.
  • Добавил управляемость и наблюдаемость для админов: состояния кампаний, журнал доставки, гарантия завершения и диагностика сбоев.
Web Scraping / Automation • Кейс 03

Движок данных для онбординга партнёров и AI Q&A

Первую версию этого движка загрузки данных я построил, чтобы ускорить подключение партнёров: он обходит домен партнёра, нормализует товары и контент в структурированные записи и загружает их прямо в AI Q&A систему. Позже команда добавила поддержку SPA-витрин, а аудит качества на пяти сайтах помог исправить дубли и пропуски в полях.

Бизнес-эффект
Быстрее подключение партнёров и выход в value
Структурированные данные как база для production AI Q&A
5
Сайтов партнёров прошли аудит качества
Всплывающее окно ассистента v2 в стиле AXIOMA: приветствие, примеры вопросов и заполненный вопрос перед отправкой
Демо виджета
Frontend • Кейс 04

LuukAI — встраиваемый AI-ассистент и виджет для партнёров

Партнёры подключают диалогового ассистента: вопросы простым языком, умные рекомендации, промо и сценарии под задачу. Один код — и полноценное веб-приложение, и плавающий виджет: бренд и язык под каждого клиента, без риска «сломать» вёрстку на стороне сайта.

Стек
Svelte (v2) и React (v1) · TypeScript · Vite — одна сборка, разные поверхности (приложение, виджет, встраиваемая оболочка)

Акценты

  • Интерфейс ассистента изолирован от стилей сайта — случайно не перекрасить и не сломать.
  • Опросы, доп. сервисы и аналитика подключаются аккуратно — путь пользователя выглядит цельным.
  • Свои тексты, языки (включая RTL) и экраны результатов — вплоть до отраслевых сценариев и передачи записи на сайт партнёра.
REACT 18MUI V5VITE 5
Цитирование

15цитирований в Google Scholar

Статья (ScienceDirect)Цитирующие работы (Google Scholar)Недавняя цитата: npj Computational Materials (Nature Portfolio) — открытие материалов с квантово-отожжённым ML
Публикация • Кейс 05

Quantum annealing in machine learning: Qboost on D-Wave quantum annealer

Рецензируемая статья о квантовом отжиге и машинном обучении, развивающая мою бакалаврскую ВКР (я второй автор, первый — Хади Саллум). Ансамбль в духе QBoost сформулирован как задача QUBO и запущен на квантовом отжигателе D-Wave. Рассматривается, когда квантовое железо дополняет классические ML-конвейеры, как ставятся эксперименты на реальном устройстве и как интерпретировать результаты с учётом ограничений чипа.

Издание
Procedia Computer Science (Elsevier), 2024

Акценты

  • Связка квантового отжигания и ML: постановка QBoost на оборудовании D-Wave с понятной экспериментальной частью.
  • На стыке QC и ML — актуально в исследованиях и прикладных задачах.
  • Растущий список цитирований, включая ссылку в npj Computational Materials (Nature Portfolio, 2026).
Неделя данных по цене электроэнергии: факт (синяя линия) и прогноз модели (оранжевые точки), 24–29 дек. 2023
Полный отчёт (PDF)
ML / прогнозирование • Кейс 06

Прогноз цен на электроэнергию для решений в работе

Я делал этот проект как прикладной инструмент для принятия решений: система превращает исторические рыночные сигналы в прогноз цен, который помогает с планированием, выбором момента закупки и управлением рисками. Пайплайн включает подготовку данных, обучение supervised-модели и строгую оценку на holdout-периодах, а результат подаётся так, чтобы команде было проще действовать по трендам и пикам.

Практический вывод
Модель уверенно ловит внутрисуточную структуру и точки разворота с точностью, полезной для планирования и выбора тайминга.

Акценты

  • Оценка, ориентированная на продакшен: факт и прогноз на одной плотной временной сетке для быстрого анализа.
  • Модель улавливает сильную цикличность цен и сдвиги по времени, а не опирается на наивные baseline-подходы.
  • Результаты оценки удобны для практического использования в планировании и операционных процессах.
AI • Кейс 07

Agent Coach — Telegram-ассистент с долгой памятью

Продакшен-бот, где память — не опция: цели и факты копятся в простых файлах, подгружаются в каждый новый диалог и уточняются после ответа. Один репозиторий — несколько специализированных ботов с тем же UX. Под капотом: Python, пресеты качества в один тап, опциональный поиск в сети и запасная модель при пиках — диалог не замирает.

Пресеты модели
Эконом · баланс · максимум качества

Акценты

  • История чата обнуляется; долгий контекст — нет: коучинг остаётся личным неделями.
  • В примерах — фитнес и подготовка к немецкому; персона переключается при деплое.

Философия архитектуры

Сначала производительность

P99 — требование. Оптимизация стоимости и скорости вычислений.

Безопасность изначально

Безопасность в схеме данных, сети и CI/CD — не наслоение в конце.

Масштабирование

Stateless и распределённое состояние — от десяти до миллионов пользователей.

Масштабируем идею?

Обсудим продакшен-архитектуру под ваши требования по нагрузке и безопасности.

КонсультацияКонтакты