Иван А. , Middle, ML-инженер
О специалисте
Увеличил производительность CV-систем (FPS) до +50 % за счёт оптимизации inference (YOLOv8, TensorRT, ONNX). Повысил точность моделей компьютерного зрения до 92 % и отдельных CV-моделей на 15–20 %. Снизил latency инференса на 25 %, обеспечил обработку 5000+ запросов/мин при <100 мс. Запустил production-CV сервисы и AI-агентов (real-time, REST/gRPC, микросервисы). Реализовал мультимодальные решения CV + LLM + RAG (визуальный анализ + поиск по документам). Внедрил MLOps (MLflow, CI/CD, мониторинг, auto-rollback), ускорив релизы на 40 %. Снизил операционные издержки проектов до 50 % за счёт автоматизации и оптимизации ML-пайплайнов. Настроил мониторинг качества и дрейфа моделей в продакшене.
Примеры работ
- Разработка и оптимизация систем компьютерного зрения (YOLOv8, OpenCV, custom CNN, TorchScript, TensorRT).
- Построение пайплайнов для обработки видео и изображений (real-time детекция, сегментация, трекинг).
- Интеграция моделей в продакшн через REST/gRPC API и микросервисы (FastAPI, Django).
- Разработка backend-инфраструктуры для AI-агентов (Celery, Redis, PostgreSQL, WebSockets).
- Контейнеризация и оркестрация ML-сервисов (Docker, Kubernetes, Helm).
- Настройка CI/CD и MLOps: автоматический деплой моделей, отслеживание экспериментов (MLflow, GitHub Actions).
- Оптимизация inference-пайплайнов с использованием ONNX Runtime, TensorRT, FP16/INT8 quantization.
- Мониторинг состояния моделей и производительности (Prometheus, Grafana, Loki).
- Работа с мультимодальными системами: интеграция CV-моделей с LLM и RAG-компонентами (LangChain, FAISS, Qdrant).
- Разработка и обучение моделей компьютерного зрения: custom CNN, Vision Transformers (ViT, Swin, CLIP).
- Построение мультимодальных систем (Vision + Text) с использованием FAISS, Pinecone и LangChain.
- Fine-tuning, quantization и оптимизация моделей под inference (ONNX Runtime, TensorRT, FP16/INT8).
- Разработка архитектуры CV-сервисов для анализа изображений, документов и видеопотоков.
- Реализация пайплайнов MLOps: обучение, деплой и мониторинг (MLflow, Airflow, Docker, K8s, CI/CD).
- Автоматизация тестирования и релизов через GitHub Actions и AWS/GCP-инфраструктуру.
- Prompt-engineering и адаптация LLM-моделей для мультимодальных задач (RAG-интеграции, CLIP-similarity).
- Обучение и внедрение моделей распознавания изображений (PyTorch, CatBoost for vision, EfficientNet, ResNet).
- Оптимизация пайплайнов данных для CV и search-ranking (BigQuery, PySpark, Airflow, DVC).
- Разработка алгоритмов semantic-matching для визуального поиска и ранжирования изображений.
- Анализ и трекинг метрик (IoU, mAP, Precision/Recall, F1), проведение A/B-тестов.
- Подготовка данных и автоматизация обучения с помощью Airflow DAGs и DVC-трекера.
- Контейнеризация и продакшен-деплой моделей (Docker, Kubernetes, Prometheus).
- Интеграция результатов CV-моделей в search-сервисы и recommendation-системы.
Образование
Оставьте заявку и, наша команда в кратчайшие сроки подберёт необходимого специалиста за вас!
Помните, что заключение договора и оплата услуг происходит после того, как вы выбрали специалиста
