Екатерина Д. , Senior, ML-инженер

Сложная мультиагентная система для автоматизации полного growth-цикла DTC/eCommerce-брендов — от анализа рынка и аудитории до формирования креативной стратегии, генерации контента, построения инфлюенсер-воронок, динамического ценообразования и performance-маркетинга. Реализован анализ конкурентов и пользовательских инсайтов на базе GraphRAG, семантическая SEO-кластеризация и прогнозирование спроса на уровне SKU, пайплайны для генерации вариантов карточек товаров, сценариев UGC, медиапланов и кросс-канальных кампаний для Meta, TikTok и Google. Платформа была контейнеризирована, внедрён трейсинг через Langfuse и оптимизированы workflow для итеративной автоматизации роста.

1. Спроектировала мультиагентную архитектуру на базе LangGraph с реализацией контрактов агентов, типизированных схем сообщений, общих хранилищ памяти и Supervisor-оркестрации для детерминированного выполнения сценариев
2. Реализовала пайплайны загрузки и трансформации данных из Apify-скрапов в PostgreSQL, Qdrant и Neo4j с использованием унифицированных аналитических схем
3. Разработала endpoints для внешних интеграций на FastAPI, обеспечив приём вебхуков, асинхронную диспетчеризацию задач и аутентифицированный API-доступ для внутренних агентов
4. Добавила слой событийной обработки на базе Kafka для стриминга обновлений конкурентов и изменений цен
5. Построила GraphRAG-слой инсайтов для кластеризации конкурентов и извлечения болевых точек аудитории
6. Реализовала пайплайны domain fine-tuning на базе LoRA для адаптации LLM под тон бренда и требования рекламных платформ
7. Разработала пайплайны валидации и безопасности с детекцией запрещённых паттернов, фактологическими проверками, классификаторами тональности и автоматической логикой восстановления и повторной генерации
8. Создала модуль генерации визуальных промптов с мультимодальной маршрутизацией, валидацией бренд-стиля, правилами форматирования и проверками консистентности экспорта для креативных workflow
9. Интегрировала API Meta, TikTok и Google Ads с автоматизацией генерации кампаний, загрузки креативов, построения аудиторий, сбора телеметрии и плановой синхронизации performance-метрик
10. Контейнеризировала все сервисы с использованием Docker, настроил миграции через Alembic и реализовал CI/CD-пайплайны для деплоя агентов и версионированного rollout моделей
11. Добавила observability с использованием Langfuse, Prometheus и Grafana
12. Автоматизировала A/B/N-тестирование и непрерывные циклы оптимизации промптов

Автономный аналитический агент, заменивший ручные процессы отчётности на базе Excel и Access, используемые в крупных FMCG-компаниях. Система обрабатывает разнородные данные по продажам, логистике и финансам, выполняет сверку еженедельных датасетов из ERP и Access, формирует KPI-дашборды, строит прогнозные модели и автоматически генерирует готовые для менеджмента отчёты в форматах Excel и PowerPoint. Включает «план–факт», выявление первопричин отклонений и систему алертов по KPI с детализацией по SKU, регионам и каналам. Агент интегрирован в корпоративные контуры отчётности, что позволило существенно сократить нагрузку на аналитиков и ускорить цикл принятия управленческих решений.

1. Спроектировала и реализовала архитектуру аналитического агента на базе LLM с интеграцией генерации SQL, retrieval-слоёв и автоматизированных пайплайнов интерпретации инсайтов под единым управляющим модулем
2. Разработала модули аналитических вычислений для FMCG-метрик с использованием векторизованных операций и SQL pushdown в PostgreSQL
3. Интегрировала RabbitMQ в качестве слоя очередей задач, вынеся фоновые операции в асинхронные пайплайны
4. Разработала API-слой на Flask, предоставляющий аналитические endpoints, триггеры генерации отчётов, ingestion-вебхуки и внутренние сервисные интерфейсы
5. Реализовала автоматизированный генератор отчётов с построением pivot-таблиц, KPI-дашбордов, правил условного форматирования и готовых для менеджмента рабочих листов
6. Построила пайплайн генерации PowerPoint-презентаций с брендированными слайдами, графиками, динамическими аннотациями KPI и текстовыми инсайтами, извлекаемыми агентом
7. Добавила intent-driven модуль генерации SQL, обеспечив NL-to-query трансляцию, schema-aware валидацию и синтез результатов с использованием RAG-контекста
8. Построила надёжную подсистему ingestion с подключением ODBC, Access, Excel, ERP-выгрузок и OneDrive, реализовав нормализацию схем, дедупликацию, разрешение конфликтов и автоматическую еженедельную сверку датасетов
9. Реализовала прогнозные движки на базе LightGBM и классических моделей временных рядов для задач динамического ценообразования
10. Разработала documentation-aware RAG-слой с индексацией SKU-справочников и корпоративных определений для генерации предметно корректных аналитических комментариев
11. Контейнеризировала агентную систему с использованием Docker, настроил CI/CD-процессы, автоматическое обновление моделей и планировщик выполнения задач
12. Добавила дашборды наблюдаемости на базе Prometheus и Grafana для мониторинга состояния агента, прозрачности датапайплайнов и долгосрочных метрик производительности

Многоязычный AI-ассистент для автоматизации процессов клиентской поддержки продуктовой линейки в сфере биотехнологий. Система классифицирует обращения, извлекает контекстные данные из внутренних источников и генерирует обоснованные ответы с соблюдением требований комплаенса и фактологической корректности. Была построена инфраструктура retrieval-augmented generation (RAG), объединяющая поиск по базе знаний, адаптивное формирование промптов и непрерывный мониторинг, что обеспечивает надёжность ответов, контроль задержек и безопасную интеграцию ассистента в CRM-процессы.

1. Спроектировала сквозную архитектуру, объединяющую распознавание интентов, векторный retrieval и контролируемые модули генерации
2. Построила retrieval-augmented generation пайплайн, объединяющий семантический поиск, оценку релевантности и динамическую инъекцию контекста
3. Применила fine-tuning на базе QLoRA для адаптации поведения модели под биотехнологический домен, требования комплаенса и продуктовую лексику поддержки
4. Разработала слой обработки запросов и оркестрации с идемпотентными workflow, защитой от повторных попыток и rate-limiting
5. Построила сервисный слой на FastAPI с chat-endpoints, пайплайнами guardrails, маршрутами метаданных и хуками интеграции с CRM
6. Автоматизировала A/B-тестирование и непрерывную оптимизацию промптов на основе метрик обратной связи из диалогов
7. Интегрировала дашборды и alert-ботов для контроля качества, аудитов комплаенса и аналитики диалогов
8. Реализовала многоуровневые guardrails для обеспечения фактологической корректности, маскирования PII, фильтрации токсичности и контроля тональности
9. Развернула полный стек наблюдаемости, включая трейсинг, классификацию ошибок, конверсионные воронки и алерты инцидентов в реальном времени
10. Реализовала кеширование, балансировку нагрузки и асинхронный inference для стабилизации производительности под production-нагрузкой
11. Внедрила аналитику для выявления long-tail запросов, обнаружения пробелов в ответах и анализа паттернов использования
12. Поддерживала высокое качество кодовой базы через автоматизированное тестирование, CI/CD-процессы и версионируемые конфигурации промптов
13. Интегрировала backend-микросервис с CRM API для сквозного трекинга кейсов, follow-up взаимодействий и автоматического логирования ответов
14. Создала фреймворк оценки и бенчмаркинга, измеряющий фактологическую согласованность, покрытие интентов и языковую ясность по различным вариантам промптов

Платформа прогнозирования и оптимизации для интеллектуального управления автопарком в сфере городской микромобильности. Система прогнозирует краткосрочные колебания спроса, выявляет операционные аномалии и формирует ежедневные задачи по ребалансировке тысяч транспортных средств в нескольких регионах. Был реализован полный жизненный цикл данных и моделей — от загрузки телеметрии и внешних факторов окружающей среды до адаптивного переобучения, валидации, деплоя и оркестрации на уровне бизнес-логики. Платформа интегрирована в операционные процессы, обеспечивая аналитику в реальном времени, мониторинг дрейфа моделей и автоматические уведомления для заинтересованных сторон.

1. Спроектировала распределённый пайплайн прогнозирования на базе Python, Airflow, ClickHouse и PostgreSQL, реализовав DAG’и ingestion для телеметрии, погодных данных и операционных метаданных с валидацией схем, дедупликацией и логикой восстановления после сбоев
2. Построила многоэтапный workflow оркестрации моделей в Airflow с ежедневным инкрементальным переобучением, автоматическим подбором гиперпараметров через Optuna, гейтами валидации, canary-деплоями и fallback-логикой, сформировав единый слой governance пайплайнов
3. Реализовала подсистему оптимизации и маршрутизации, формирующую приоритетные задачи ребалансировки на базе кастомных эвристик и линейного программирования, с предоставлением функциональности через FastAPI-микросервисы
4. Разработала внутренние приложения на Streamlit для диспетчеров и аналитиков с картографическими визуализациями, диагностикой временных рядов, модулями интроспекции моделей и детальной аналитикой операционных KPI
5. Создала слой наблюдаемости в реальном времени с использованием Prometheus и Grafana, реализовав экспорт метрик, правила алертинга, SLO-дашборды и автоматизированных ботов для отчётов об инцидентах через n8n
6. Настроила фреймворк управления экспериментами с использованием MLflow Tracking, трекинга lineage, воспроизводимости окружений, версионирования датасетов и управления артефактами моделей
7. Контейнеризировала все сервисы с использованием Docker и интегрировал CI/CD для планового переобучения моделей, деплоя DAG’ов, миграций схем данных и обновлений операционных workflow
8. Реализовала модули генерации гео-поведенческих признаков с использованием NumPy и Pandas, materialized views в ClickHouse и реестров фич, синхронизированных через MLflow
9. Разработала стек временно-пространственного моделирования, объединяющий Prophet, статистические бейзлайны и geo-кластеризованные экстракторы признаков

Платформа обнаружения аномалий для операций в сфере шеринговой мобильности. Система выявляет нетипичные поведенческие паттерны, аномалии сенсоров и потенциальную мошенническую активность в телеметрии автопарка. Создан надёжный фреймворк обработки данных и генерации признаков, преобразующий высокочастотные ride- и IoT-данные в структурированные аналитические представления для стабильной детекции и интерпретируемости моделей. Настроены воспроизводимые пайплайны обучения, непрерывную валидацию и drift-aware мониторинг для поддержания устойчивости сигналов детекции в быстро меняющейся среде.

1. Спроектировала модульную архитектуру детекции аномалий на базе Python, XGBoost, статистических детекторов и вероятностных эвристик, оркестрируемую автоматизированными пайплайнами с воспроизводимой предобработкой и управлением feature registry
2. Построила единый MLflow-слой управления пайплайнами, объединяющий feature registry, упаковку артефактов и воспроизводимые workflow предобработки
3. Создала унифицированный слой preprocessing с feature registry, версионируемыми трансформациями и упаковкой артефактов на базе Pickle для консистентного inference
4. Контейнеризировала всю платформу с использованием Docker, обеспечив воспроизводимые окружения, автоматизированные сборки и процессы деплоя
5. Реализовала фреймворк мониторинга дрейфа с метриками стабильности признаков, PSI и JS-дивергенцией, временными валидаторами согласованности и автоматическими триггерами переобучения
6. Построила подсистему ingestion и трансформации данных для высокочастотных телеметрических потоков с векторизованным парсингом траекторий, очисткой выбросов и geo-temporal генерацией признаков с SQL pushdown в PostgreSQL
7. Разработала продвинутые модули feature engineering для выявления аномалий движения, сигнатур ускорения, всплесков скорости, нарушений геозон и метрик плотности событий с использованием Pandas, NumPy и кастомных Cython-ускоренных ядер
8. Реализовала автоматизированные workflow обучения с Optuna HPO, модулями кросс-валидации, калибровкой порогов принятия решений и защитой отката, интегрированной с Git-based lineage экспериментов
9. Разработала аналитические дашборды на Streamlit для визуализации кластеров аномалий, зон ложных срабатываний, распределений уверенности моделей и инструментов анализа временных рядов для команд antifraud
10. Добавила мониторинг детекции в реальном времени с маршрутизацией алертов, индикаторами нестабильности сенсоров и логикой оценки операционных рисков, доступной через FastAPI endpoints с документацией Swagger