Классификация текста + серверная часть

Нужен проект с GUI по обучение нейросети на GPU/CPU для Бинарной классификации текста, классификации текста с одной меткой, мультиклассовая классификация + Серверная часть.

1) В GUI должна возможность указать путь к файлу обучения(Дата-сету)/сохранение модели.

2) Загрузка дата-сета из файла с форматом .csv

3) Работа с двумя моделями (Multilingual BERT и XLM-R) с возможностью их выбирать в GUI.

4) Возможность указать Learning rate не в форме экспоненциального числа, а в формате числа с плавающей точкой (прим. Стандартно указывают 2e-5, нужно 0.00002).

5) Должно быть обязательно возможность указать: Выбор режима классификации Бинарная классификация / Классификация с одной меткой / Мультиклассовая классификация, Функция активации и Функция потерь должны меняться сами в зависимости от выбраного режима, Batch size (по умолчанию 32), Epochs (по умолчанию 4), Optimizer (по умолчанию должен быть Adam), Learning rate (по умолчанию должен быть 0.00002), learning rate schedule (по умолчания Triangular), Warm-up Epochs (по умолчания 0.2), Decrement per Epochs (по умолчания 0.000004), Sequence length (по умолчания 128), Batch Normalization (по умолчанию включено) и DropOut (в процентах и по умолчанию они равны 0).

6) Вывод метрики в виде двух графиков с результатами обучения по эпохам (потери и точность) с тренировочными данными и валидацией (с двумя кривыми на одном графике).

6.1) График должен быть в формате: Ось X - Эпоха, Ось Y - Шкала обучение (learning scale) с цифровыми значениями.

6.2) На графике под каждой эпохой должно быть указаны потери или точность в формате от 0 до 1 с тысячной долей, в зависимости от того какой это график.

7) Возможность указывать Валидацию, рандомно с указание процента и из файла.

8) Показ результатов по каждой эпохе обучения, а так же возможность выбрать конкретную эпоху для предсказания.

9) Тестовый режим после обучения для проверки модели.

Серверная часть

1) Простота заливки модели обучения. С пк выбирается обучения модель и загружается на сервер.

2) Сервер автоматически генерирует токен для доступа к данной модели (Доступ к этой модели будет даваться по этому токену и адресу сервера на несколько пк, у каждого будет свой запрос).

3) Сервер должен поддерживать работу нескольких моделей одновременно.

4) Ответ от сервера должен приходить в формате json (прим. {"label":{"toxic":0.00118166,"nontoxic":0.99881834}})

5) Запрос на сервер должен проходить в формате POST-json запроса, где в теле идет формат json (прим. {"rows":[{"text":"{ТЕКСТ НА КЛАССИФИКАЦИЮ}"}]}), где со стороны отправляющего указывается токен и адрес сервера.

6) Сервер должен быть с простым и удобным интерфейсом для заливки/удаления модели и информации для доступа к этой модели, т.е токен и адрес сервера

7) Сервер должен работать в глобальной сети.

Нужен специалист с опытом в данной сфере и с реализацией схожих проектов.