📌 Чому я підходжу (дзеркало JD)
- "Відстежувати тренди, тестувати інструменти, навчати команди" — я це роблю не як задачу, а як спосіб мислення. Щодня тестую нові AI-інструменти, досліджую підходи, впроваджую в production.
- "Базове розуміння: LLM, NLP, embeddings, API, prompts, fine-tuning" — маю глибше за базове: OpenAI SDK + Anthropic SDK в production, RAG pipelines, Vision API, structured prompting.
- "Буде плюсом: навички побудови чат-ботів, автоматизації процесів за допомогою AI" — побудував Telegram-ботів (analytics digest, outreach automation), ZRT pipeline (автоматизація пошуку → outreach → конверсія), autoblog AI (автоматична генерація контенту).
- "2+ роки в product management, аналітиці, R&D або впровадженні технологій" — 2+ роки production AI delivery як solo founder двох платформ.
🎯 Summary
Я досліджую, тестую та впроваджую AI-рішення в production — і знаю як пояснити це команді. Як solo founder двох AI-платформ я пройшов повний шлях: від вибору інструменту → оцінки fit → інтеграції → вимірювання результату → документування для команди. Я використав Claude Code, GitHub Copilot, Cursor, OpenAI API, Anthropic API, Vision API, Playwright AI, Telethon — і можу чесно сказати що де працює а де hype. Не ML-researcher, не класичний розробник — AI adoption practitioner з доведеним production track record.
🚀 AI Adoption Experience (Portfolio)
Що я впроваджував і що виміряв
Coding AI Tools (Claude Code + Cursor + Copilot)
- Впровадив як primary development instruments замість manual coding
- Результат: two live products delivered solo в строки типові для команди 3-5 людей
- Навчився валідувати AI output, давати правильний context, виявляти hallucinations
LLM для контент-генерації (autoblog)
- AutoShara + PGT: automated AI article generation per location/vertical
- OpenAI GPT-4 + Anthropic Claude: structured prompts, SEO-оптимізований output
- Pipeline: тригер → генерація → валідація → публікація → GSC indexing
Vision AI для якості даних
- Проблема: ~10K+ оголошень з неправильними брендами авто
- Рішення: Vision API pipeline — скриншот → brand detection → auto-correction
- Результат: знизив data quality issues на 80%+
Telegram-боти для автоматизації
- Analytics digest bot: щоденні KPI в Telegram без входу в dashboard
- Telethon outreach bot: ImportContacts → phone→chat_id resolution → mass personalized messages
- Webhook-based notification system: alert on errors, new leads, ZRT triggers
ZRT Pipeline (Zero-Result Trigger)
- AI-автоматизація: пошуковий запит без результату → агент → Telegram/SMS outreach → lead
- Впровадив як production feature, вимірюю conversion rate по кожному кроці
PILOT — AI QA Automation
- AI тестування UI: генерація тест-сценаріїв через LLM, self-learning failure detection
- Оцінив і відкинув: TestGPT, конкурентів типу Octomind, Mabl — зробив власний open-core
🛠️ AI Tools Expertise
| Інструмент | Рівень | Контекст використання |
|---|---|---|
| Claude Code | Expert | Primary dev instrument, щоденно |
| GitHub Copilot | Expert | Daily coding assistant |
| Cursor | Advanced | AI-augmented editing |
| OpenAI API (GPT-4, Vision) | Advanced | Production: autoblog, Vision QA |
| Anthropic Claude API | Advanced | Production: ZRT classifier, content |
| Playwright AI | Advanced | PILOT: UI testing automation |
| Telegram Bot API + Telethon | Advanced | Production bots, outreach automation |
| Prompt Engineering | Advanced | Structured output, RAG context, classifiers |
| RAG Pipelines | Intermediate | Knowledge Pack per role, IMPRINT |
💡 AI Research & Adoption Підхід
Оцінка інструментів
- Тестую з perspective "чи вирішує реальну задачу" а не "чи красивий демо"
- Вимірюю: час на виконання задачі до/після, якість output, підтримуваність
- Маю framework порівняння: capability × reliability × cost × vendor lock-in risk
Документування для команди
- Пишу context docs (context/*.md) — structured knowledge base для AI assistants
- Technical writeups: аналізи, ризики, implementation plans
- Вмію пояснити LLM механіку без технічного жаргону
Adoption Strategy
- "Show, don't tell": prototype спочатку, потім навчаю
- ROI framing: конкретний вимір результату, не abstract "AI is the future"
📌 Чим відрізняюся від "AI enthusiast"
- Не slides про AI — production systems з вимірюваними результатами
- Знаю що не працює так само добре як що працює (чесна оцінка)
- Можу навчити команду конкретним pattern, а не загальним принципам
🎓 Background
Self-taught AI adoption practitioner. 2+ роки continuous AI tools R&D + production delivery.
🌍 Мови
Українська: рідна | Англійська: B2+ | Російська: пасивна
📎 Посилання
Продукти: https://autoshara.com | https://pgthub.com LinkedIn: linkedin.com/in/konstantyn-onosov-9a8929403
