Резюме

старший инженер по машинному обучению

Райффайзен Банк

ML-сервис автоматического скоринга кандидатов

• Разработал production ML-сервис автоматического скоринга кандидатов, обеспечив 100% автоматизацию первичного отбора и сократив время обработки вакансий HR-командой на 30% (экспертная оценка).
• Построил пайплайн подготовки данных и Feature Engineering для оценки соответствия пары «вакансия—кандидат»: выявил проблемы в исходных данных совместно с аналитиками, разработал 80+ признаков (46 вошли в финальную модель) и обучил CatBoost на выборке из 25 тысяч пар, достигнув F1-macro 0.81.
• Спроектировал безопасное внедрение модели через shadow mode, согласовал с бизнесом критерии перехода к автоматической фильтрации кандидатов и внедрил интерпретируемые объяснения рекомендаций (SHAP + LLM), выбрав финальный формат совместно с HR по результатам пользовательской оценки.

Инструменты: CatBoost, SHAP, Qwen, Rabbit MQ, FastAPI

AI-ассистент для внутреннего финансового портала

• Инициировал внедрение AI-ассистента для внутреннего сервиса управления бюджетами и спроектировал двухэтапную архитектуру решения: RAG по документации и агентный слой с доступом к корпоративным данным.
• Разработал и вывел в production RAG-систему по внутренней документации, сформировал совместно с бизнесом тестовый датасет и внедрил автоматизированную оценку качества на основе LLM-as-a-Judge.
• Определил методологию тестирования agentic-сценариев и оценки корректности вызова 20+ корпоративных инструментов для персонализированных ответов пользователям.

Инструменты: LangChain, Ragas, LLM-as-a-Judge

Гибридная GenAI-система для внутреннего карьерного консультирования

• Выступил техническим лидером на этапе Discovery: провел 4 рабочих сессии с бизнес-стейкхолдерами, сформировал требования и спроектировал архитектуру AI-сервиса внутреннего карьерного консультирования.
• Перепроектировал архитектуру сервиса, заменив генерацию для структурированных сценариев детерминированной логикой на основе модели из 10+ ролей, 100 компетенций и 15 карьерных переходов; сократил использование LLM примерно на 85% пользовательских сценариев, сохранив генерацию только для обработки свободных вопросов.

Предиктивная аналитика психоэмоционального состояния сотрудников

• Руководил разработкой и внедрением ML-системы для анализа психоэмоционального состояния более 8000 сотрудников.
• Спроектировал архитектуру многоклассовой классификации для прогнозирования 8 показателей психоэмоционального состояния по 120+ поведенческим признакам; организовал сбор обучающей выборки из примерно 1500 размеченных анкет сотрудников из 110+ структурных подразделений.
• Реализовал XAI-подход через интеграцию SHAP и LLM для генерации интерпретируемых объяснений предсказаний, управлял разработкой решения и обеспечил переход проекта к стадии внедрения, защитив его перед топ-менеджментом банка.

Инструменты: CatBoost, SHAP, Qwen

старший специалист по машинному обучению

Makves

Развитие ML-подсистем коммерческой DCAP-платформы

• Отвечал за развитие ML-направления продукта: проектировал архитектуру, разрабатывал и выводил в production ML-сервисы, консультировал команду разработки по вопросам интеграции моделей. Разработанные сервисы разворачивались в инфраструктуре корпоративных заказчиков и обрабатывали более миллиона документов на типичной инсталляции.
• Спроектировал архитектуру анализа документов, разделив обработку изображений и текста на независимые ML-сервисы. Инициировал сбор новых датасетов, согласовал состав поддерживаемых классов с продуктовой командой и организовал их разметку.
• Разработал модуль анализа изображений документов: добавил этап object detection, увеличил количество поддерживаемых классов с 5 до 19, повысил mAP@0.5 с 0.89 до 0.94 и оптимизировал модель с помощью квантования для промышленной эксплуатации.
• Разработал модуль анализа текстов: реализовал классификацию документов и извлечение чувствительных данных (NER), самостоятельно сформировал обучающий датасет, увеличил количество детектируемых классов персональных данных с 14 до 36 и достиг Top-1 Accuracy 98.9%.
• Подобрал и внедрил ансамбль алгоритмов поиска аномалий для табличных данных и временных рядов, а также разработал RAG-сервис по внутренней документации с датасетом для оценки качества, сформированным совместно с техническими писателями.

Инструменты: YOLO, PyOD, PyTorch Lightning, HuggingFace, ONNX, FastAPI, optimum, CatBoost, LangChain, Ollama, Ragas

CheckDocAI

Телеграм-бот с ИИ модулем для контроля качества оформления документов для ООО «Гольфстрим», позволяет значительно сократить время на проверку и улучшить точность.

Инструменты: aiogram, YOLO, ONNX, Albumentations, CVAT

• Руководил командой из двух дата-сайентистов и бекенд-разработчика, отвечал за разработку и внедрение проекта.
• Проект успешно внедрён в коммерческую эксплуатацию, ежемесячная экономия — 40 человеко-часов.

Анатомия современных трансформеров

Data Fest

Рассказываю про эволюцию архитектуры трансформеров на примере позиционных эмбеддингов.

Поиск аномалий с использованием Python

Positive Hack Days

Доклад «Поиск аномалий с использованием Python» представляет обзор ключевых алгоритмов обнаружения аномалий, их сильных и слабых сторон, и демонстрирует практическую ценность подхода на примере из области корпоративной безопасности.

NLP и CV нейросети в защите данных

Moscow Python Meetup

В этом докладе я расскажу, как мы использовали алгоритмы CV и NLP для улучшения DCAP системы компании Makves, преодолевая вызовы обработки неструктурированных данных и продуктивизации моделей. Доклад будет полезен как пример реального внедрения нейросетей в работающий продукт.

профессиональная переподготовка

Deep Learning School ФПМИ МФТИ

Deep Learning

• Computer Vision

профессиональная переподготовка

Яндекс Практикум

Машинное обучение

• Специалист по Data Science

специалитет

Московский Авиационный Институт

Физика

• Авиационная и ракетно-космическая теплотехника