Вадим Г. , Senior, DevOps

Инфраструктурный контур для виртуализированных, VDI и облачных корпоративных решений. Обеспечивает доставку релизов, эксплуатацию сервисов, резервное копирование и восстановление, а также наблюдаемость инфраструктуры. Используется инженерными и эксплуатационными командами для стабильной работы production-контуров и защиты данных

1. Строил CI/CD и GitOps-процессы для сервисов и инфраструктурных компонентов на GitLab CI/CD, Kubernetes, Helm и ArgoCD
2. Автоматизировал доставку конфигураций и релизов между окружениями
3. Описывал инфраструктуру и конфигурацию через Terraform и Ansible
4. Писал Bash/Python-утилиты для эксплуатационной автоматизации, проверок и повторяемых инженерных операций
5. Проектировал backup/recovery-процессы для 500+ ежедневных jobs и контуров защиты данных объемом 10-30+ ТБ
6. Диагностировал I/O, storage и caching bottlenecks
7. Развивал observability и диагностику инфраструктуры на Prometheus, Grafana, ELK и Zabbix, связывая метрики и логи с эксплуатационными инцидентами

Интеграционный и диагностический слой для группы телеком-сервисов. Обеспечивает обмен данными между 100+ сервисами, асинхронную обработку событий и наблюдаемость цепочек запросов. Используется backend и эксплуатационными командами для поддержки сервисов с потоком порядка 1-5 млн событий в сутки

1. Проектировал REST/gRPC/async-контракты и event/data flows между сервисами
2. Формализовал интеграционные точки и диагностический контекст для распределенных сценариев
3. Оптимизировал Celery-воркеры и очереди Redis/RabbitMQ: cProfile/Py-Spy, анализ async runtime и SQL paths
4. Развивал event-driven контуры на Kafka, NATS, Pulsar и Redis; внедрял WebSockets/gRPC для near-real-time взаимодействия сервисов
5. Построил observability и incident-analysis stack: Prometheus, VictoriaMetrics, Grafana, Loki, ELK/EFK, Jaeger, OpenTelemetry и Zabbix
6. Спроектировал интеграционный слой и трассировку событий для более 100 микросервисов
7. Ускорил тяжелые batch-операции и SQL-запросы за счет профилирования Python-кода
8. Автоматизировал раскатку ML-компонентов в production и тестовые среды
9. Увеличил throughput в 2-3 раза и снизил p95 latency на 35-50%

Платформа для первичного intake и маршрутизации медицинских обращений. Анализирует данные и диалоги пациента, классифицирует кейс и помогает определить подходящее направление или специалиста. Используется в процессе первичной обработки обращений и соединяет ML-компоненты с production backend и операционными сценариями

1. Разрабатывал layered/microservice architecture и асинхронную обработку диалогов
2. Интегрировал ML-результаты в прикладной backend на FastAPI, Django и Celery
3. Использовал GPT-3, spaCy, Hugging Face Transformers, Scikit-learn и XGBoost для классификации, triage и specialist assignment; строил preprocessing pipelines на Pandas/NumPy
4. Организовал GPU-based training с TensorFlow и NVIDIA CUDA, подготавливал модели к использованию в production-процессах
5. Работал с PostgreSQL, MongoDB, Redis, GraphQL, OAuth2/JWT/TLS и требованиями безопасной обработки данных HIPAA/GDPR

Система планирования и операторского управления миссиями группы БПЛА. Позволяет задавать waypoint-маршруты, последовательности действий и распределять задачи между несколькими аппаратами, используя готовые беспилотные платформы через SDK производителя. Оператор получает телеметрию и статусы миссии, а система преобразует план в команды, контролирует исполнение и обрабатывает отклонения.

1. Интегрировал готовые беспилотные платформы через vendor SDK без модификации firmware/flight controller; получал телеметрию и управлял выполнением миссий.
2. Разрабатывал Planner-слой: модель миссии, waypoint-маршруты, последовательности действий и распределение задач между несколькими аппаратами.
3. Разрабатывал Controller-слой: преобразование плана в команды SDK, контроль состояния, обработка отклонений/ошибок, синхронизация исполнения и управление камерой.
4. Прототипировал координацию группы БПЛА: единый mission state, статусы аппаратов, повторное планирование и операторское управление.

Омниканальная платформа виртуального ассистента для автоматизации диалоговых и транзакционных сценариев. Система хранит контекст и метаданные диалога, интегрируется с CRM, внешними API и платежными шлюзами. Конечные пользователи взаимодействуют через Telegram, VK и WhatsApp, а бизнес-системы получают и передают данные через API и webhooks.

1. Разрабатывал модульную backend-архитектуру: dialogue management, хранение контекста/метаданных, транзакционные сценарии и CRM-интеграции
2. Разделил обработку между FastAPI/Django-сервисами и Celery workers; использовал Redis caching, PostgreSQL и MongoDB под разные модели данных и нагрузочные профили
3. Интегрировал Telegram, VK, WhatsApp, Firebase и платежные шлюзы; реализовывал прикладные интеграции и обработку webhook/API-событий
4. Обеспечивал масштабирование, data consistency и устойчивость длительно работающей платформы, диагностировал проблемы в асинхронных и интеграционных сценариях