Специалисты Разработка

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.

Оптимизировал анализ фотографий через OpenAI (Threads API) — снизил стоимость запросов примерно на 25% при сохранении качества обработки. Разработал MVP продукта, который вырос до 40 000 MAU (активных пользователей в месяц). Поддерживал инфраструктуру проектов с совокупной аудиторией 90 000+ MAU, обеспечивая стабильность и масштабируемость сервисов. Участвовал в хакатоне TON Foundation, где с командой за 3 дня создал полностью работающий MVP Telegram-мини-приложения. Оптимизировал API под высокую нагрузку, сократив среднее время ответа до <150 мс и улучшив удержание пользователей на ≈ 12%. Повысил конверсию в оплату на 18%, разработав надёжный модуль биллинга с повторной обработкой транзакций. Реализовал распределённую микросервисную архитектуру с Kafka/RabbitMQ для обработки 500 000+ событий в сутки без потерь. Сократил инфраструктурные затраты на ~30%, оптимизировав Docker Compose окружения и ускорив деплой до <5 минут. Внедрил мониторинг и алертинг (Grafana + Prometheus), что снизило количество инцидентов, влияющих на клиентов, на ≈ 35%. Спроектировал и внедрил 10+ микросервисов (авторизация, аналитика, биллинг, уведомления) с возможностью горизонтального масштабирования и релизов без простоев.

Принял участие в развитии микросервисной архитектуры платформы, оптимизировал SQL-запросы и бизнес-логику, разработал с нуля video backend API, увеличил покрытие автотестами до 80%, оптимизировал работу с базами данных, настроил систему метрик и мониторинга, добился увеличения производительности на 60%, реализовал систему отложенных задач и кэширования, провёл полный цикл деплоя.

Опыт разработки на Python - более 5 лет Участвовал в проектах: 2023-2025: Реализовал торговые стратегии, такие как скальпинг, спредовая торговля, торговля на пробой, на новостях, на открытом интересе, на тех. индикаторах, на сезонностях 2024: Реализовал нейронную сеть для торговли на MOEX с использованием tensoflow, keras, pandas, numpy, sklearn 2022-2023: Внутрибиржевой арбитраж криптовалюты на децентрализованных криптобиржах (Pancake) на Python с помощью asyncio, numpy и web3. Создали полностью рабочий продукт, который работает и зарабатывает 2022: Внутрибиржевой арбитраж криптовалюты на централизованных криптобиржах (Binance, Kucoin, Bitfinex, Poloniex, HitBtc, Bybit, и тд) на Python с использованием threading, multiprocessing, requests, websockets, njit, numpy, pandas 2021: Автоматизированная загрузка видео на YouTube на Python с основой из selenium + google sheets api. Довёл до MVP, продукт проработал больше года и утратил свою актуальность.