Специалисты

Самостоятельная работа над задачами и MVP-проектами; Умение разбираться в незнакомых технологиях и быстро их внедрять; Опыт работы с legacy-кодом; Опыт работы в кросс-функциональной команде; Участие в code review; Ответственный подход к срокам и оценке задач.

Коммуникабельность; Исполнительность; Самоорганизация и тайм-менеджмент; Аналитическое мышление.

Командная работа; Ответственность за результат; Технические обсуждения; Наставничество.

Внимание к деталям; Легкая коммуникация в команде.

Быстрое погружение в существующий код и чужую архитектуру; Аккуратность, внимание к деталям (верстка/UX); Ответственность за качество фич и багфиксов; Инициативность (рефакторинг, улучшение структуры проекта); Командная работа, коммуникация в распределенных командах.

Работа в команде; Взаимодействие между командами; Оценка сроков и приоритизация задач; Проведение code review и наставничество младших разработчиков.

Командная работа; Решение сложных задач.

Коммуникация на английском в международной команде; Наставничество для менее опытных разработчиков; Умение формализовать требования.

Инициативность; Умение декомпозировать сложные задачи; Общение с заказчиками и дизайнерами.

Ответственность за результат; Самостоятельность; Умение работать в команде; Наставничество и помощь младшим разработчикам; Коммуникация с дизайнерами и backend-разработчиками.

Быстрая адаптация к новым стекам и доменам; Самостоятельное проектирование и реализация сложных бизнес-абстракций; Работа в кросс-функциональных командах; Внимание к автоматизации и качеству кода; Умение быстро разбираться в legacy-коде и сторонних системах; Решение проблем под дедлайнами в условиях неполной информации; Ответственность за end-to-end задачу; Готовность к code review и обратной связи; Самообучение и интерес к современным технологиям.

Вовлеченность; Коммуникабельность; Тактичность; Умение слушать критику и высказывать ее в корректной форме; Умение разбираться в проблемах рабочего процесса (предлагать решения для улучшения рабочих деталей проекта, интересоваться мотивами и особенностями существующих рабочих решений).

Направление деятельности: Регламентированный учет Функциональные обязанности: Внедрение программных продуктов 1СПроведение предпроектного обследованияМоделирование процессовПодготовка техзаданий на разработкуТестирование доработокПроведение обученийВвод начальных остатковНаписание проектной документации (Отчет об обследовании, Отчет по моделированию, План демонстрации результатов моделирования, Реестр функциональных разрывов, ЧТЗ (частные технические задания), Протоколы встреч по моделированию, Концепция формирования начальных данных и мэппинг счетов, Инструкции для пользователей)Участие в опытной, опытно-промышленной и промышленной эксплуатации Сертификаты: 1С:Специалист-консультант. ЕРП - рег учет

Направление деятельности: Оперативный учетРегламентированный учет и отчетность Функциональные обязанности: Внедрение программных продуктов 1С.Проведение обучений.Подготовка инструкций.Консультации пользователей.Настройки и тестирование конфигураций.Решение технических вопросов доступа к базе.Отладка и обновление конфигураций.Работа с консолью запросов.Работа с объектами конфигурации.Описание технических заданий.Миграция остатков из одной системы в другую.Тестирование доработанного функционала. Сертификаты: 1С:Специалист-консультант. Бухгалтерия1С:Специалист-консультант. ЕРП - рег учет

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.

Снизила количество критичных дефектов в продакшене с 5 до 1 в месяц (−80%) за счёт расширения регрессионного покрытия и актуализации тест-кейсов. Повысила покрытие API-тестами с 60% до 85%, автоматизировала ключевые сценарии (Postman, Python/Pytest) → сократила ручную регрессию на 42%. Внедрила shift-left testing (QA-ревью требований до разработки) → снизила доработки требований на 30% и повысила стабильность релизов. Систематизировала тестовую базу и документацию → ускорила onboarding QA на 50%. Участвовала в post-mortem инцидентах, анализировала логи в Kibana/Sentry, помогала локализовать дефекты в микросервисной архитектуре. Использую LLM/AI-инструменты для ускорения подготовки тестовой документации и анализа требований (−30% времени).

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.

Построил с нуля несколько высоконагруженных backend-систем. Разрабатывал серверную архитектуру, API, микросервисы, очереди, интеграции — полностью отвечал за техническую часть проектов. Реализовал сложную логику взаимодействия сервисов через Kafka, RabbitMQ и Celery. Настраивал асинхронные пайплайны, обмен сообщениями, event-driven процессы. Оптимизировал производительность сервисов и БД. Использовал PostgreSQL, Redis, ClickHouse, проводил оптимизацию запросов и улучшение стабильности системы. Настроил CI/CD и контейнерную инфраструктуру. Реализовал GitLab CI/CD, работал с Docker и Kubernetes, обеспечивал стабильные деплои. Создавал комплексный мониторинг и логирование. Внедрил Prometheus, Grafana, ELK; настроил алертинг, метрики, сбор событий и техническую диагностику. Разрабатывал системы аналитики и обработки данных. Использовал ClickHouse, MongoDB и очереди для аналитических пайплайнов. Работал над архитектурой интеграции со сторонними LLM (Сбер). Понимает, как строится взаимодействие между сервисами, контекстными слоями и LLM; составлял структуру работы с LLM и занимался написанием промптов. Создавал API-слои и документацию на уровне production. Оформлял спецификации в Swagger/OpenAPI, поддерживал единый стиль и качество API.

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).