Александр А. , Senior, ML-инженер

Male avatar
Александр А.
Беларусь, Минск
2 935 ₽/час469 600 ₽/мес. без НДС
Опыт работы:
Более 6 лет
Языки:

Английский — B2

ПисьменныйРазговорный

О специалисте

Навыки
NLP
llm
Computer Vision
PyTorch
Tensorflow
transformers
sentence-transformers
FastText
CNN
YOLOv5–v10
Gan
Diffusion
OpenCV
ResNet
MobileNet
DeepSort
Object Detection & Tracking
Real-time Video Analytics
OCR
Tesseract
Visual Transformers
NER
langchain
Qwen
llama
MCP
RAG
RAGAS
LLM-as-a-Judge
Langfuse
Cross-Encoders
TensorRT
vLLM
Ollama
llama.cpp
OpenVINO
Python
C++
FastAPI
Flask
Telethon
Pandas
Numpy
Scikit-learn
MLflow
Prometheus
Grafana
Yandex Cloud
DigitalOcean
AWS
Kubernetes
Redis
Qdrant
Airflow
JupyterHub
Cursor
Claude Code
GitHub Copilot
Codex
Technology:
SQL
Source_control:
GitLab CI/CD
Applications:
Docker
Формат работы
Удалённо
Описание о специалисте

ML/AI-инженер с 5+ годами коммерческого опыта полного цикла: от проектирования нейросетевых архитектур и обучения моделей до вывода в production с жёсткими требованиями к latency и надёжности. Глубоко специализируюсь на двух направлениях — NLP/LLM (агентные системы, RAG, оценка качества генерации) и Computer Vision (детекция, трекинг, real-time видеоаналитика).

Примеры работ

NLP-платформа лидогенерации
Позиция на проекте
Team Lead ML / Lead AI Engineer
Ответственность
  1. Архитектура NLP-пайплайна: Настроил потоковый сбор данных (Telegram, Telethon) → классификацию и сентимент-анализ (по типу найма) → NER-извлечение сущностей (позиция, зарплата, контакты) → автоматическую постановку на доску сейлза в CRM.
  2. Обучение моделей: Реализовал контрастивное обучение трансформеров (RoBERTa) для задачи классификации с использованием SupConLoss; провёл Fine-Tuning трансформеров для задачи NER.
  3. AI-агенты и RL: Разработал диалогового AI-агента (чат-бота) с обучением с подкреплением (RL) для корректного вызова внешних инструментов (function calling). Реализовал функционал интерактивного подбора и рекомендации релевантных заявок в процессе живого общения с пользователем.
  4. MLOps & Инфраструктура: Выстроил MLOps-процесс: развернул JupyterHub для экспериментов, настроил деплой через FastAPI и GitLab CI/CD на 4 окружениях (Yandex Cloud + CloudVPS), внедрил мониторинг (Grafana+Prometheus) и систему алертинга.
  5. Работа с данными: Организовал полный цикл подготовки данных, включая парсинг, ручную/автоматическую разметку и сбор датасетов с нуля. Интерпретировал Attention-механизмы для отладки и повышения качества скоринга.
  6. Результат: Продукт успешно выведен в коммерческую эксплуатацию; пайплайн каждое утро автоматически обрабатывает данные и ставит 5–10 целевых лидов на доску сейлза.
Технологии и инструменты
FastAPI, FastText, PostgreSQL, Python, PyTorch, Telethon, transformers, Yandex Cloud, sentence-transformers
Период работы/продолжительность
Май 2024 - Ноябрь 2026
Megatop/Bitrix24 RAG
Позиция на проекте
Lead AI Architect / Tech Lead NLP
Ответственность
  1. RAG-система: Спроектировал RAG-систему над корпоративной базой знаний: реализовал интеграцию и выгрузку данных из Bitrix24.Диск, экстракцию текста из PDF/DOCX/XLSX, разбиение документов на фрагменты (чанкинг) и индексацию эмбеддингов в векторной БД Qdrant.
  2. LLM-пайплайны: Разработал многошаговые сценарии на LangChain, внедрил гибридный поиск с жёсткой пре-фильтрацией по метаданным и подавление галлюцинаций за счёт строгой привязки ответов к найденным источникам.
  3. Ранжирование и оценка: Внедрил Cross-Encoder модели для переранжирования найденных фрагментов. Настроил автоматическую валидацию качества ответов с помощью фреймворка RAGAS.
  4. On-premise деплой: Развернул локальную LLM (Qwen) через vLLM/Ollama в закрытом контуре компании — данные физически не покидают защищённый периметр.
  5. Безопасность: Разработал модуль RBAC: привязал метаданные к оргструктуре компании для физической изоляции поисковой выдачи в зависимости от user_id.
  6. Результат: Полный переход корпоративного ассистента в on-prem среду с соблюдением требований ИБ; автоматизировано создание отчётов «в один клик».
Технологии и инструменты
FastAPI, langchain, PostgreSQL, Python, Qdrant, Bitrix24 API, Ollama, Langfuse, vLLM, Qwen
Период работы/продолжительность
Сентябрь 2023 - Апрель 2024
Кросс-языковая система матчинга контрагентов
Позиция на проекте
Senior AI Architect / ML Lead
Ответственность
  1. Архитектура двухэтапного движка матчинга (имена людей, названия компаний, адреса) на 15+ языках: Fast Blocking (RapidFuzz) + Neural Re-ranking (cross-encoder на XLM-RoBERTa).
  2. Fine-tuning XLM-RoBERTa с контрастивным обучением для настройки эмбеддингов под FinTech-домен.
  3. Распределённый векторный поиск в Qdrant над 10M+ записей с откликом <50 мс при 2000 RPS.
  4. Настройка CI/CD для автоматического переобучения и деплоя моделей.
  5. Результат: Точность матчинга 82%→98.5%; 10M+ записей; 2000 RPS; отклик <50 мс.
Технологии и инструменты
Docker, Kubernetes, Python, PyTorch, Qdrant, Redis, transformers, RapidFuzz
Период работы/продолжительность
Август 2022 - Август 2023
Enterprise Video Analytics
Позиция на проекте
Computer Vision Engineer
Ответственность
  1. CV-система: Разработал систему компьютерного зрения для детекции, классификации, трекинга (DeepSORT) и подсчёта объектов в видеопотоке на сложных сценах с переменным освещением и перекрытиями.
  2. Оптимизация инференса: Оптимизировал инференс тяжёлых моделей для работы на CPU-серверах с помощью OpenVINO, что стало критическим фактором для снижения стоимости при ограниченном GPU-бюджете.
  3. Data Engineering: Построил ETL-пайплайн для автоматического сбора и предварительной разметки видеоданных.
  4. Результат: Самостоятельно реализовал полный цикл разработки (от сбора данных до деплоя), выведя в production стабильную и оптимизированную под CPU систему видеоаналитики.
Технологии и инструменты
Docker, Flask, OpenCV, OpenVINO, Python, Tensorflow, yolov5, DeepSort
Период работы/продолжительность
Май 2021 - Июль 2022
OCR и классификация документов
Позиция на проекте
Junior ML Engineer
Ответственность
  1. Настроил модули оптического распознавания символов (OCR) для извлечения текста из документов на базе Tesseract.
  2. Проводил эксперименты с CNN-архитектурами (ResNet, MobileNet) для задачи классификации визуальных дефектов.
  3. Разрабатывал скрипты для аугментации данных и автоматизации пайплайнов обучения.
  4. Результат: Успешный старт в коммерческом ML; разработаны и протестированы рабочие модули OCR и классификации.
Технологии и инструменты
Flask, OpenCV, Python, PyTorch, Scikit-learn, Tesseract OCR
Период работы/продолжительность
Февраль 2021 - Апрель 2021

Образование

Высшее
Название учебного заведения/курса
Белорусский государственный университет (БГУ)
Специальность
ФПМИ
Аналогичные специалисты
Не нашли, кого искали?

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.

Request Poster