Специалисты Разработка

Являюсь техлидом направления PHP. Участвую в процессе формирования hard-компетенций у команды, обеспечиваю результативность работы своего направления. Сертификаты: Разработчик Bitrix Framework

Владеет современным C++ (11–20) с активным применением STL, Boost, WinAPI, Qt, а также инструментами сборки и управления зависимостями CMake и Conan. Имеет опыт Embedded C (WDK, FreeRTOS, KeilRTX) и глубокие знания в работе с низкоуровневыми компонентами и драйверами. Дополнительно освоены C#, .NET / ASP.NET Core, Golang, Python (Django, Celery), JavaScript/TypeScript (React, Redux, Next.js) и PHP, что обеспечивает гибкость при интеграции разных частей стека. Работал с реляционными и NoSQL базами данных (MS SQL, MySQL, PostgreSQL, SQLite, Redis) и протоколами обмена данными (REST API, GraphQL, OData, XML/JSON). Имеет опыт руководства командами, внедрения CI/CD, использования Docker, Nginx, Git/SVN и практик тестирования и профилирования. Коммуникативен, умеет структурировать и автоматизировать процессы, быстро осваивает новые технологии, находит неочевидные решения и эффективно работает как в команде, так и самостоятельно.

Продвинутый уровень C++17/20: STL, ООП, templates, multithreadingQt 6: QtCore, QThread, QtSql, QtNetworkLinux (CentOS 7/Ubuntu): разработка и сопровождение приложенийСборка: CMake, gcc/g++, make, сборка зависимостей из исходников Средний уровень Qt 6: Qt WidgetsMySQL: SQL-запросы, интеграция в приложенияКлиент-сервер: TCP/IP, UDPUnit-тестирование: gtest, QtTestGit (GitLab), DockerBoost, Kafka (kafka-cpp) Базовый уровень Python (скрипты/утилиты)MFC, MSBuildMarkdown (техническая документация)

Backend-разработчик с функциями C++ и Python. Более чем 7 лет коммерческого опыта. Участвовал в проектах для транспортной отрасли, IoT и промышленной автоматизации. Специализируется на проектировании модульных и микросервисных архитектур, внедрении TDD (100% покрытие тестами), интеграции PostgreSQL, а также реализации сетевых решений на базе TCP/IP. Опыт работы с кросс-платформенной разработкой (Linux, Windows) и CI/CD-практиками.

Достижения: лауреат конкурса на соискание премий Мэра Москвы по созданию цифровых сервисов и продуктов для города в составе команды Brains on Remote https://leaders2022.innoagency.ru/task9.html

Приоритетные направления работы: Ведение веб-проектов (архитектура, лидство, распределение ролей в команде, наставничество) Ведение ML проектов, ML-разработка (CV, NLP), внедрение ML решений в production. организация разметки данных на краудсорсинг платформах с контролем качества. Семантический поиск (текст, картинки). Рекомендательные системы, Аналитические системы, ETL Достижения: -Автор более 20 научных статей, индекс Хирша - 7 (https://scholar.google.ru/citations?user=-DRUghEAAAAJ&hl=ru&authuser=1) -Преподаватель Deep Learning в НИУ ВШЭ (Спб)

Приоритетные направления работы: Python-разработка, ML/CV-разработка Достижения: 2-ое место на ML-чемпионате Омской области с задачей распознавания силуэтов людей по фото с БПЛА на фоне лесного массива

Разработчик с 8 годами опыта. Было реализовано более 6 успешных проектов. Soft skills: Коммуникабельный, аналитичный, системный, адаптивный, ориентированный на результат.

Создал и вывел в продакшн полнофункциональную RAG-систему для крупного заказчика в EPAM — от подготовки данных и индексации до интеграции поиска и генерации ответов в рабочие процессы компании. Оптимизировал inference LLM-моделей, снизив стоимость облачных вычислений и ускорив время отклика за счёт настройки vLLM, TensorRT и гибридной инфраструктуры (AWS + on-premise). Разработал мультимодальную модель на основе CLIP/BLIP-2 для извлечения фичей и анализа изображений. Построил ML-пайплайн прогнозирования спроса в промышленных масштабах: сбор данных, фичи, обучение моделей, развертывание. Автоматизировал MLOps-контур: настроил MLflow, CI/CD, контейнеризацию и воспроизводимость обучающих и инференсных пайплайнов. Создал несколько продакшн-ML-решений, включая модели классификации, детекции аномалий и регрессионного анализа. Реализовал инструменты обработки естественного языка (NLP), включая подготовку датасетов, обучение моделей и интеграцию их в сервисы компании.

Увеличил производительность CV-систем (FPS) до +50 % за счёт оптимизации inference (YOLOv8, TensorRT, ONNX). Повысил точность моделей компьютерного зрения до 92 % и отдельных CV-моделей на 15–20 %. Снизил latency инференса на 25 %, обеспечил обработку 5000+ запросов/мин при <100 мс. Запустил production-CV сервисы и AI-агентов (real-time, REST/gRPC, микросервисы). Реализовал мультимодальные решения CV + LLM + RAG (визуальный анализ + поиск по документам). Внедрил MLOps (MLflow, CI/CD, мониторинг, auto-rollback), ускорив релизы на 40 %. Снизил операционные издержки проектов до 50 % за счёт автоматизации и оптимизации ML-пайплайнов. Настроил мониторинг качества и дрейфа моделей в продакшене.

Реализовал production-пайплайн сегментации повреждений аграрной техники в 4K-разрешении с F1-score 93.3% (ансамбль PIDNet + OneFormer, тайловая инференс-схема). Повысил качество моделей CV за счёт генерации синтетических данных (FLUX + LoRA): прирост F1 с 88% до 93% без ручной разметки. Ускорил пайплайн детекции повреждений в 1.4 раза, внедрив предварительную ML-фильтрацию и оптимизировав архитектуру под бизнес-требования. Улучшил OCR-модель распознавания номеров, снизив CER на 3% за счёт претрейна на расширенном собственном датасете. Протестировал использование LLM (Qwen) для OCR и синтетической разметки данных без участия человека. Реализовал zero-shot псевдоразметку с BLIP и SigLIP, увеличив объём размеченных данных в 2 раза. Разработал и вывел в продакшен систему детекции и сегментации логотипов (MAP@50 = 94%), оформленную как FastAPI-сервис. Повысил производительность YOLOX-модели для детекции персонала на 32% за счёт оптимизации бэкбона. Стандартизировал ML-эксперименты и трекинг метрик, переведя процессы на MLflow.

Реализовал несколько production-систем на базе ML и Deep Learning (Computer Vision, LLM, ASR), включая рекомендательные системы, OCR и системы транскрибации. Разработал и внедрил LLM-решение для классификации и распознавания документов (Gemma-3-12B), ускорив обработку документов и автоматизировав заполнение пользовательских данных. Создал рекомендательные системы на базе ML для EdTech и промышленных сценариев, включая полный цикл: сбор данных, обучение моделей, API и деплой. Реализовал системы компьютерного зрения: детекция и трекинг объектов на видеопотоке (YOLO), подсчёт людей в ритейле, измерение геометрических параметров изделий на производстве, OCR для номеров автомобилей и документов. Разработал отказоустойчивые REST-API сервисы для ML-систем с использованием FastAPI, Docker и Linux. Выстроил ETL и data-pipeline инфраструктуру (Airflow, PostgreSQL, ClickHouse, MongoDB) для сбора и обработки маркетинговых и пользовательских данных. Имеет опыт оптимизации ML-пайплайнов и видеопроцессинга, включая ускорение inference и обработку видеопотоков. Работал с полным ML-циклом: сбор и разметка данных, обучение моделей, интеграция, деплой, поддержка и масштабирование.

Разработал AI-агрегатор-бота на FastAPI и Aiogram, поддерживающего генерацию текста, изображений и видео по пользовательским намерениям. Спроектировал и внедрил систему intent-парсера и диалогового менеджмента, обеспечив интеллектуальное поведение бота. Реализовал SSE-streaming для real-time ответов от AI вместо polling, сократив задержку отклика. Настроил Prometheus + structlog для логирования и мониторинга, обеспечив стабильную работу в продакшене. Создал community-бота с антиспам-детектором на базе ML и OpenAI API, а также интегрировал RAG-систему для автоответов. Разработал distributed архитектуру с поддержкой горизонтального масштабирования (multi-replica deployment). Настроил CI/CD, провёл code review и менторил двух младших разработчиков. Получил дополнительный опыт в написании и поддержке кода на Node.js и Go.

Разработал и внедрил чат-ассистента для врачей на базе RAG с векторным поиском, суммаризацией выписок и удобным markdown-форматированием ответов. Настроил автоматическое обновление эмбеддингов и оптимизировал скорость и качество ответов модели. Собрал прототип видео-аватара-ассистента на Unity с использованием Яндекс GPT (TTS/STT). Внедрил систему аналитики и отчётности на Django REST Framework, интеграции с внешними сервисами (REST/SOAP), автоматизированные уведомления, панель мониторинга и участвовал в CI/CD и оптимизации БД/SQL-запросов.

Разработал и внедрил модели для диагностики возрастной макулярной дегенерации (OCT-изображения) с использованием SOTA-архитектур на PyTorch, адаптированных под задачу. Создал end-to-end CV-решения для промышленности и медицины (YOLOv8, ResNet, Autoencoder), включая деплой и оптимизацию через ONNX Runtime. Построил OCR-пайплайн (OpenCV + Tesseract → BERT) для автоматизированной обработки медицинских карт. Реализовал CV-систему анализа сварочных швов в реальном времени, сократив время контроля на 70% и снизив процент брака. Разработал пайплайн распознавания транспортных средств при въезде на объект, достигнув точности 94%. Построил RAG-систему с использованием LLM (LLaMA) и реализовал векторный поиск на FAISS. Участвовал в оптимизации тяжёлых вычислений на суперкомпьютерах. Является соавтором 2 научных статей в Q1-журналах (Applied Sciences).

Разработал фреймворк для создания AI-агентов на базе LangGraph, обеспечив стабильное выполнение цепочек и удобную интеграцию с сервисами компании. Построил RAG-систему, повысив качество извлечения и точность ответов моделей на 35%. Реализовал и внедрил несколько AI-агентов в продакшен для автоматизации поддержки и внутренних процессов. Создал голосового ассистента на основе LLM с использованием ASR и TTS, улучшив качество обработки пользовательских запросов. Настроил мониторинг качества моделей через MLflow, обеспечив контроль метрик и отслеживание деградации. Участвовал в проектировании и развитии ETL-процессов на базе Airflow, PostgreSQL и ClickHouse. Разработал backend-сервисы на FastAPI для интеграции LLM-функциональности и агентных сценариев. Подготовил и выпустил MVP с использованием LLM-агентов в сжатые сроки, обеспечив соответствие требованиям бизнеса.

Проектировал и выводил в продакшен модели кредитного скоринга и прогнозирования дефолта, обеспечивая стабильность и соответствие требованиям риск-процессов. Формировал и поддерживал пайплайны подготовки данных, feature engineering и валидации моделей для стабильных метрик и предсказуемой работы в продакшене. Встраивал модели в процессы андеррайтинга и collection, настраивал корректную логику принятия решений и взаимодействие со стейкхолдерами. Вёл R&D по улучшению эффективности моделей и использованию альтернативных источников данных. Развивал инфраструктуру деплоя, мониторинга и сопровождения ML-решений, включая CI/CD, Docker, MLflow и связанные инструменты.

Повысил эффективность работы поддержки примерно на 35% за счёт внедрения комплекса ML/NLP-решений: классификация обращений, кластеризация, извлечение сущностей. Улучшил качество семантического поиска по базе знаний примерно в 1,7 раза, разработав и внедрив RAG-пайплайн (LangChain, Qdrant, FAISS). Достиг 91% точности прогнозирования инцидентов благодаря использованию ансамблей моделей (CatBoost, XGBoost) и продуманного feature engineering. Автоматизировал около 90% рутинных операций и сократил время подготовки отчетов с часов до минут, создав набор инструментов и пайплайнов (Bash, Docker, Airflow). Настроил полноценный MLOps-контур (версии моделей, деплой, мониторинг) на базе MLflow и FastAPI, обеспечив стабильный вывод моделей в прод и сопровождение. Сократил время формирования ежедневных отчётов с 3 часов до 20 минут через ETL/ELT-пайплайны (Airflow, Spark, PostgreSQL). Построил систему интерактивных дашбордов, что ускорило принятие управленческих решений примерно на 35%. Повысил конверсию за счёт A/B-тестов и статистического анализа, результаты которых легли в основу доработок продукта.