Беру сырые выгрузки компании и собираю из них датасет, на котором можно обучать модель, а не папку файлов «на потом». Таблицы, переписки, заявки, сканы, фото товаров и складские дампы редко приходят одной устойчивой схемой. Подготовка данных для AI — работа до fine-tuning и до внедрения: собрать то, что уже есть, очистить, убрать дубли и мусор, разметить то, чему модель должна научиться, и отдать файлы, которые читает обучение.

Продаю это как AI Dataset Engineering: сырые данные компании становятся датасетом, пригодным для обучения AI-моделей. На выходе — письменная схема, воспроизводимый скрипт, разбиение train / validation / test и отчёт о качестве. Не продаю загадочную папку CSV. JSONL, Parquet и WebDataset — форматы сдачи. Продукт — данные, у которых до первого прогона известны смысл полей, лицензия источника и риск утечки в проверку.

Эта страница — про подготовку данных, не про запуск модели в проде. Если корпус уже чистый и нужен ассистент, RAG или распознавание документов, это внедрение AI. Разметка десяти тысяч изображений и проводка API — разные сметы, я их не смешиваю.

В границы входят источники, очистка, дедупликация, фильтр мусора, инструкция разметки, synthetic data там, где живых примеров мало, и честное разбиение. Покупка чужих баз, юридическое заключение по персональным данным и само обучение модели не входят, пока это прямо не сказано в брифе. Узкий пилот на одном источнике и одной задаче часто занимает 3–6 недель. Несколько источников и разметка изображений считаются по объёму, не по слогану.