Наталья М. , Senior, ML разработчик

Female avatar
Наталья М.
Беларусь, Минск
2 645 ₽/час423 200 ₽/мес. без НДС
Опыт работы:
От 3 до 6 лет
Языки:

Английский — B1

ПисьменныйРазговорный

О специалисте

Навыки
Computer Vision
YOLO
mediapipe
OpenCV
Object Detection
Real-time Video Analytics
WebRTC
Donut
Tesseract OCR
Apache Tika
langchain
langgraph
Qwen
RAGAS
Qdrant
pgvector
HDBSCAN
Optuna
PyTorch
transformers
CRF
NER
Scikit-learn
Python
FastAPI
Pydantic
Redis
MLflow
Pytest
Cursor
Claude Code
GitHub Copilot
Database:
PostgreSQL
Applications:
Docker
Формат работы
Удалённо
Описание о специалисте

ML-инженер с 3+ годами коммерческого опыта в computer vision, document AI и RAG-системах для EdTech, LegalTech и FinTech. Три направления экспертизы, которые редко встречаются вместе у одного специалиста.

Примеры работ

AI-Прокторинг — real-time детекция нарушений (EdTech)
Описание задачи/проекта

Система AI-прокторинга для автоматизированного контроля студентов во время онлайн-сессий. Выявление нарушений через анализ видеопотока с минимальной задержкой непосредственно в браузере клиента.

Позиция на проекте
ML Engineer
Ответственность
  1. Интеграция и настройка моделей детекции (YOLO, MediaPipe) для распознавания посторонних лиц, использования телефонов и отвода взгляда.
  2. Оптимизация WebRTC-пайплайна для стабильной передачи видеопотока к обрабатывающим микросервисам.
  3. Разработка алгоритмической логики расчёта «Cheating Score» — агрегация событий от нескольких CV-моделей в режиме реального времени.
  4. Ключевая оптимизация: адаптация алгоритмов Face Landmarking для инференса в браузере на устройствах с низкими вычислительными мощностями.
  5. Поддержка стабильности системы при пиковых нагрузках во время пилотного тестирования.
Технологии и инструменты
Docker, FastAPI, mediapipe, OpenCV, PostgreSQL, Python, PyTorch, WebRTC, YOLO
Период работы/продолжительность
Апрель 2026 - Сентябрь 2026
AI Search — корпоративная RAG-система интеллектуального поиска
Описание задачи/проекта

Корпоративная система интеллектуального поиска для работы с внутренней документацией. Структурирование базы знаний и генерация точных ответов LLM на основе неструктурированных корпоративных данных.

Позиция на проекте
ML Engineer
Ответственность
  1. Проектирование пайплайнов ингестии и реализация адаптивного чанкинга для подготовки сырых текстов к векторизации.
  2. Внедрение гибридного поиска (Dense + Sparse) и механизма двухэтапного реранжирования (Cross-Encoders) для повышения релевантности контекста.
  3. Оптимизация гиперпараметров RAG-пайплайна (размеры чанков, пороги сходства) с использованием фреймворка Optuna.
  4. Настройка семантического кеширования в Redis — снижение задержки ответов и оптимизация расходов на API языковых моделей.
  5. Разработка пайплайна для автоматической оценки качества ответов с применением метрик RAGAS.
Технологии и инструменты
Docker, FastAPI, langchain, Optuna, PostgreSQL, Python, Qdrant, Redis, pgvector, Qwen, RAGAS, HDBSCAN
Период работы/продолжительность
Ноябрь 2025 - Март 2026
NDA
Описание задачи/проекта

Гибридная система для распознавания и семантического анализа сложной юридической и финансовой документации. Автоматическое извлечение данных из сканов, многостраничных PDF и документов со сложной вёрсткой (инвойсы, акты).

Позиция на проекте
ML Engineer
Ответственность
  1. Внедрение и дообучение модели Donut для end-to-end извлечения данных из документов со сложной визуальной структурой — отказ от хрупких OCR-пайплайнов на базе эвристик.
  2. Интеграция Apache Tika и Tesseract OCR (с препроцессингом на OpenCV) как fallback для сплошных текстовых документов и договоров.
  3. Разработка логики маршрутизации: автоматическая классификация входящего документа для выбора оптимального пайплайна извлечения (VDU-модель или классический OCR).
  4. Построение пайплайна на базе LangChain для постобработки извлечённого текста, структурирования условий договоров и сохранения векторов в Qdrant для семантического поиска.
  5. Упаковка ML-моделей в масштабируемые асинхронные микросервисы (FastAPI, Docker) с оптимизацией потребления GPU при инференсе тяжёлых трансформеров.
Технологии и инструменты
Docker, FastAPI, langchain, OpenCV, Python, PyTorch, Qdrant, Tesseract, transformers, Apache Tika, Donut
Период работы/продолжительность
Июль 2024 - Октябрь 2025
NDA
Описание задачи/проекта

Платформа для высоконагруженной потоковой обработки неструктурированных текстовых данных. Извлечение заданных сущностей, автоматическая деидентификация чувствительных данных и маршрутизация документов.

Позиция на проекте
ML Engineer
Ответственность
  1. Внедрение и дообучение гибридной архитектуры RoBERTa-CRF для решения задач NER и выделения специфических сущностей из текстов.
  2. Разработка микросервисного пайплайна на базе FastAPI для потоковой обработки поступающих документов.
  3. Интеграция LLM для анализа контекста и извлечения сложных сущностей со строгой типизацией вывода (Pydantic).
  4. Оптимизация этапов предварительной обработки и токенизации текстов — сокращение задержки обработки на 30%.
  5. Реализация скриптов для автоматизированного тестирования качества моделей на подвыборках для контроля метрик в продакшене.
Технологии и инструменты
Docker, FastAPI, langchain, MLflow, Pydantic, Pytest, Python, PyTorch, roberta, Scikit-learn, transformers, CRF
Период работы/продолжительность
Апрель 2023 - Июнь 2024

Образование

Магистр
Название учебного заведения/курса
Белорусский государственный университет (БГУ)
Специальность
Прикладная математика и информатика
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