Егор Ч. , Senior, ML-инженер

Работал над прикладными проектами в области машинного обучения и искусственного интеллекта для поддержки бизнес-направлений BP в сфере энергетики, логистики и розничной торговли. Основной фокус — разработка, внедрение и оптимизация прогнозных моделей и NLP-решений.

1. Предиктивный анализ активов: Разработал и внедрил систему прогнозного технического обслуживания для энергетических активов (турбины), комбинируя методы анализа временных рядов и детекции аномалий. Результатом стало снижение незапланированных простоев на ~18%.
2. Оптимизация цепочек поставок: Создал и запустил в производство высокоточный конвейер для прогнозирования спроса (demand forecasting) с использованием ансамблей моделей (XGBoost, Prophet), что на 20% повысило точность по сравнению с существующими решениями и оптимизировало управление запасами.
3. Автоматизация документооборота: Модернизировал NLP-пайплайн для классификации и извлечения данных из инженерной документации, мигрировав с методов scikit-learn на BERT/RoBERTa. Это сократило затраты на ручную обработку документов на 40%.
4. Компьютерное зрение для контроля качества: Реализовал PoC системы компьютерного зрения на базе YOLOv3 для автоматизированного контроля оборудования и качества упаковки на логистических объектах.
5. Заложение основ MLOps: Инициировал и внедрил первоначальные практики MLOps (MLflow, Docker, CI/CD), что стандартизировало процесс экспериментов и ускорило вывод моделей в staging-среду.
6. Техническая экспертиза и коммуникация: Регулярно участвовал в воркшопах с бизнес-заказчиками, выступая в роли «переводчика» между техническими и бизнес-командами для обеспечения полного соответствия решений стратегическим целям.
7. Разработка risk-моделей, стабильно влияющих на ключевые бизнес-показатели: снижение PD на 8–15%, уменьшение CoR на 5–12%, повышение точности скоринга (AUC +2–6 п.п.), рост одобрения “хороших” клиентов (uplift 3–7%) при контроле уровня риска.
8. Создание скоринговых и антифрод-моделей (логистические модели, GBDT, GNN), которые формируют более качественный портфель, уменьшают дефолтность и повышают доходность.
9. Разработка интерпретируемых решений (scorecard, feature importance, SHAP), которые позволяют risk-офицерам принимать управляемые, обоснованные решения.
10. Построение графовых и аномалистических моделей, выявляющих скрытые рисковые паттерны в поведенческих и транзакционных данных — снижение fraud-потерь на 10–20% в первых волнах внедрения.
11. Участие в A/B-экспериментах и оценке uplift: расчёт влияния на unit-экономику, прогнозирование LTV, пересмотр cut-off и подбор оптимальных порогов для улучшения итоговой маржи продукта.
12. Использовал датасет Spider для обучения модели, генерирующей SQL-запросы на основе описаний вакансий. Также знаком с CoSQL и использовал его для задач, связанных с диалоговыми системами, где требуется генерировать SQL-запросы на основе диалога с пользователем.

В рамках глобальной команды EPAM отвечал за разработку и внедрение передовых AI-решений для ключевых клиентов в секторах финансов, ритейла и энергетики. Сфокусирован на создании производственных систем на базе Large Language Models (LLMs), Retrieval-Augmented Generation (RAG) и мультимодального искусственного интеллекта.

1. Архитектура GenAI-платформы: Разработал и внедрил стратегию внедрения Generative AI для корпоративных клиентов, результатом которой стало создание высокопроизводительной RAG-системы на базе LLaMA-2, GPT-4 и LangChain. Это привело к повышению релевантности семантического поиска на 40% и сокращению дублирующих запросов в службу поддержки.
2. Разработка risk-моделей, стабильно влияющих на ключевые бизнес-показатели: снижение PD на 8–15%, уменьшение CoR на 5–12%, повышение точности скоринга (AUC +2–6 п.п.), рост одобрения “хороших” клиентов (uplift 3–7%) при контроле уровня риска.
3. Создание скоринговых и антифрод-моделей (логистические модели, GBDT, GNN), которые формируют более качественный портфель, уменьшают дефолтность и повышают доходность.
4. Разработка интерпретируемых решений (scorecard, feature importance, SHAP), которые позволяют risk-офицерам принимать управляемые, обоснованные решения.
5. Построение графовых и аномалистических моделей (networkX, PyG), выявляющих скрытые рисковые паттерны в поведенческих и транзакционных данных — снижение fraud-потерь на 10–20% в первых волнах внедрения.
6. Участие в A/B-экспериментах и оценке uplift: расчёт влияния на unit-экономику, прогнозирование LTV, пересмотр cut-off и подбор оптимальных порогов для улучшения итоговой маржи продукта.
7. Использовал P-Tune и LORA для настройки трансформеров под специфические задачи с небольшими датасетами.
8. Построение масштабируемых пайплайнов на Spark/HDFS, которые обеспечивают сокращение времени обработки данных на 30–50% и позволяют быстрее запускать ML-эксперименты и выкатывать модели.
9. Оптимизация Spark-джобов (партиционирование, экономичные join-стратегии, broadcast), что приводит к снижению затрат на вычисления (cluster compute cost) на 15–35%.
10. Подготовка высококачественных фичей для risk- и продуктовых моделей: повышение стабильности данных → меньше дрифта (-20–40%), рост качества моделей → AUC/PR улучшение +1–4 п.п. только за счёт улучшенной витрины.
11. Интеграция ML-моделей в Spark-пайплайны для массового batch-инференса: ускорение принятия решений на 25–40%, улучшение SLA на критичных бизнес-процессах (скоринг, антифрод, риск-мониторинг).
12. Построение инфраструктуры обучения на больших данных, что обеспечивает возможность работы с графами, транзакционными логами и широкими фичевыми наборами без деградации производительности. (deepspeed, torch.distributed)
13. Повышение надёжности и воспроизводимости пайплайнов (quality gates, мониторинг, алерты), что в итоге снижает количество инцидентов в продакшне на 30–60%.
14. Оптимизация бизнес-процессов: Спроектировал и запустил AI-ассистента для автоматизации проверки соответствия нормативным требованиям (compliance) для банковского клиента, что позволило сократить объем ручного труда аналитиков на 25-30%.
15. Инжиниринг производства (Production ML): В тесном сотрудничестве с инженерами платформы развернул высокопроизводительный inference-сервис с использованием vLLM и TensorRT, обеспечив стабильную задержку (latency) менее 300 мс для критичных endpoints и поддержку тысяч запросов в секунду.
16. Стратегия MLOps: Создал и внедрил сквозные MLOps-процессы (Kubeflow, MLflow) для автоматизации переобучения, развертывания и мониторинга моделей. Это позволило переводить модели в продакшен еженедельно без ручного вмешательства, повысив надежность и скорость итераций.
17. Гибридные облачные решения: Успешно спроектировал и реализовал гибридную инфраструктуру (AWS + on-premise) для развертывания AI-решений в регулируемых отраслях, что позволило клиенту пройти внутренний и внешний аудит.