Лаврентий Н. , Middle, ML-инженер

Опытный инженер с сильным бэкграундом в разработке и внедрении моделей машинного обучения. Обладает навыками работы с RAG и мультиагентными системами, умеет использовать облачные платформы для создания масштабируемых и надежных решений. Гибкий командный игрок, успешно работающий в разнообразных средах и ориентированный на постоянное профессиональное развитие.

Опытный Machine Learning Engineer с сильной экспертизой в проектировании, разработке и внедрении end-to-end ML-систем. Глубокие знания в области классического машинного обучения, глубокого обучения и решений на базе LLM, включая RAG-пайплайны и мультиагентные архитектуры. Практический опыт создания масштабируемых и надёжных ML-систем в облачных средах. Комфортно работаю в динамичных кросс-функциональных командах, ориентирована на постоянное развитие, построение устойчивых решений и достижение измеримого бизнес-результата.

Инженер по машинному обучению с более чем 5-летним опытом разработки AI-систем, с фокусом на агентных и мультиагетных системах, fine-tuning моделей под предметную область и автономных workflow на базе LLM. Разрабатывала production-решения в области ML с расширенным мониторингом, высоким уровнем качества сервисов и масштабируемым деплоем. Имеет опыт создания интеллектуальных ассистентов, объединяющих оркестрацию агентов, retrieval-augmented подходы и предиктивные компоненты в единую архитектуру. Увлечена интеграцией agentic AI-подходов с ML-инжинирингом и backend-архитектурой для создания прозрачных, надёжных и ориентированных на пользователя систем.

Повысил эффективность работы поддержки примерно на 35% за счёт внедрения комплекса ML/NLP-решений: классификация обращений, кластеризация, извлечение сущностей. Улучшил качество семантического поиска по базе знаний примерно в 1,7 раза, разработав и внедрив RAG-пайплайн (LangChain, Qdrant, FAISS). Достиг 91% точности прогнозирования инцидентов благодаря использованию ансамблей моделей (CatBoost, XGBoost) и продуманного feature engineering. Автоматизировал около 90% рутинных операций и сократил время подготовки отчетов с часов до минут, создав набор инструментов и пайплайнов (Bash, Docker, Airflow). Настроил полноценный MLOps-контур (версии моделей, деплой, мониторинг) на базе MLflow и FastAPI, обеспечив стабильный вывод моделей в прод и сопровождение. Сократил время формирования ежедневных отчётов с 3 часов до 20 минут через ETL/ELT-пайплайны (Airflow, Spark, PostgreSQL). Построил систему интерактивных дашбордов, что ускорило принятие управленческих решений примерно на 35%. Повысил конверсию за счёт A/B-тестов и статистического анализа, результаты которых легли в основу доработок продукта.

Проектировал и выводил в продакшен модели кредитного скоринга и прогнозирования дефолта, обеспечивая стабильность и соответствие требованиям риск-процессов. Формировал и поддерживал пайплайны подготовки данных, feature engineering и валидации моделей для стабильных метрик и предсказуемой работы в продакшене. Встраивал модели в процессы андеррайтинга и collection, настраивал корректную логику принятия решений и взаимодействие со стейкхолдерами. Вёл R&D по улучшению эффективности моделей и использованию альтернативных источников данных. Развивал инфраструктуру деплоя, мониторинга и сопровождения ML-решений, включая CI/CD, Docker, MLflow и связанные инструменты.