Сбер — ML Engineer
Июль 2024 — Июль 2026 · 2 года 1 месяц
Разработка end-to-end ML/AI-решений для задач внутрибанковской безопасности — от формализации задачи и подготовки данных до внедрения и сопровождения в production.
- Мультимодальная система оценки рисков сотрудников на основе физиологических сигналов — точность порядка 90%.
- Система речевой аналитики для транскрибации и классификации звонков по типам, рискам и интентам — около 50 000 звонков в сутки, точность порядка 96%.
- LLM-агент консультанта с RAG и tool-calling, позволивший сократить количество обращений в поддержку примерно в 20 раз.
- Агентная система формирования досье на контрагента с агрегацией данных из внутренних источников и ML-моделей.
- CV-модели для обнаружения и распознавания визуальных меток на фотографиях экранов и документов.
- Валидация результатов исследований профильных лабораторий и участие в подготовке патентных заявок.
- Методическая и техническая поддержка MLE: архитектура моделей и пайплайнов, code review, воспроизводимость экспериментов и подготовка решений к production.
Основные технологии: Python, C++, PyTorch, PyTorch Lightning, Hugging Face Transformers, LightGBM, CatBoost, scikit-learn, ONNX, OpenVINO, torchaudio, LangChain, LangGraph, RAG, tool-calling, FastAPI, Redis, PostgreSQL, S3, Docker, Kubernetes, Jenkins, MLflow.
Университет Иннополис — ML Engineer
Январь 2025 — Ноябрь 2025 · 11 месяцев
Разработка ML/AI-решений для оценки качества видеопотоков в реальном времени.
- Симулятор видеостриминга с моделированием сетевых потерь, burst loss и артефактов декодирования.
- Пайплайн автоматической и полуавтоматической разметки данных.
- DNN-модель детекции и классификации искажений видеопотока с precision/recall до 95%.
- Оптимизированное inference-решение для production-сценариев.
Основные технологии: Python, C++, PyTorch, PyTorch Lightning, scikit-learn, CatBoost, OpenCV, PIL, FFmpeg, ONNX, OpenVINO, FastAPI, Redis, PostgreSQL, S3, Docker, Git.
ИОНХ РАН — Data Scientist
Февраль 2023 — Июнь 2025 · 2 года 5 месяцев
Исследовательская разработка ML/AI-моделей для задач вычислительной химии, молекулярного дизайна и компьютерного зрения.
- GCNN для быстрого предсказания IQA энергий с точностью на уровне квантово-химических методов (~1 ккал/моль) при существенном выигрыше в вычислительной эффективности.
- Генеративные ML-модели для проектирования молекул с заданными свойствами с использованием эволюционных алгоритмов.
- CV-модели для детекции и классификации кристаллов по фотографиям с использованием YOLO, автоэнкодеров и PCA.
- Постановка исследовательских задач, сопровождение студентов, code review и методическая поддержка.
- Представление результатов исследований на научных конференциях и внутренних научных семинарах.
Основные технологии: Python, PyTorch, PyTorch Geometric, PyTorch Lightning, scikit-learn, LightGBM, CatBoost, SHAP, OpenCV, NetworkX, NumPy, pandas, SciPy, Docker, Git.
Общая технологическая экспертиза: Machine Learning, Deep Learning, LLM/Agents, RAG, Computer Vision, Speech/Audio Processing, Signal Processing, Generative AI, ML-инфраструктура и inference, Python, C++.