Беру сирі вивантаження компанії і збираю з них датасет, на якому можна навчати модель, а не теку файлів «на потім». Таблиці, листування, заявки, скани, фото товарів і складські дампи рідко приходять однією стійкою схемою. Підготовка даних для AI — робота до fine-tuning і до впровадження: зібрати те, що вже є, очистити, прибрати дублі й сміття, розмітити те, чого модель має навчитися, і віддати файли, які читає навчання.

Продаю це як AI Dataset Engineering: сирі дані компанії стають датасетом, придатним для навчання AI-моделей. На виході — письмова схема, відтворюваний скрипт, поділ train / validation / test і звіт про якість. Не продаю загадкову теку CSV. JSONL, Parquet і WebDataset — формати здачі. Продукт — дані, у яких до першого прогону відомі зміст полів, ліцензія джерела і ризик витоку в перевірку.

Ця сторінка — про підготовку даних, не про запуск моделі в прод. Якщо корпус уже чистий і потрібен асистент, RAG або розпізнавання документів, це впровадження AI. Розмітка десяти тисяч зображень і проводка API — різні кошториси, я їх не змішую.

До меж входять джерела, очищення, дедуплікація, фільтр сміття, інструкція розмітки, synthetic data там, де живих прикладів мало, і чесний поділ. Купівля чужих баз, юридичний висновок щодо персональних даних і саме навчання моделі не входять, поки це прямо не сказано в брифі. Вузький пілот на одному джерелі й одній задачі часто займає 3–6 тижнів. Кілька джерел і розмітка зображень рахуються за обсягом, не за слоганом.