AI Software Developer

На данный момент Computer Vision Software Developer.

Мои компетенции и опыт

ML/AI-инженер с 3 годами опыта разработки production-grade систем в области Computer Vision и multimodal AI. Имею опыт работы со всем жизненным циклом AI-решений: от подготовки данных и обучения моделей до построения inference-сервисов, оркестрации пайплайнов и внедрения в прод. Сочетаю промышленную разработку AI-систем с исследовательским опытом, что позволило получить публикации уровня Q1, патенты и внедренные решения для агропрома и промышленной автоматизации. Выпускница Сколтеха, ментор программы Digital Teams в СберУниверситете и спикер AI/IT-митапов.

РУСАГРО ТЕХНОЛОГИИ Computer Vision Software Developer 11/ нужен доступ к резюме н.в

Стек: Linux, YOLOv9, Prefect, MongoDB, MinIO, Docker, Grafana, ClearML, FastAPI, PostgreSQL, SQLAlchemy

Разработка CV-решений для агропромышленного комплекса. Команда: 3 CV-инженера, 1 DevOps.

1. Сервис мониторинга кагатов сахарной свеклы для автоматического расчета объемов продукции на складах

Разработала end‑to‑end сервис расчета объемов кагатов по видеопотоку: конвейер сбора данных (Prefect → MongoDB/MinIO), инференс YOLOv9 + геометрия OpenCV, мониторинг в Grafana (дашборды и алерты).

Результат: сервис запущен в прод и доступны онлайн метрики, точность сегментации 80%. Решение масштабируется на новую площадку.

2. End‑to‑end пайплайн автоматической разметки (проект «Цифровой свинокомплекс») для снижение затрат на ручную аннотацию данных 

Объединила 5 микросервисов в единый контур автоматической разметки: сбор данных → валидация → Active Learning → подготовка → CVAT. Разработала центральный DWH-сервис (FastAPI) для оркестрации метаданных и унификации API. Создала менеджер задач CVAT с авторазбиением на jobs, мониторингом прогресса и уведомлениями в Telegram.

Результат: единый воспроизводимый пайплайн внедрен во все CV-проекты компании, сокращение бюджета на ручную разметку — до 60%.

3. Data Engineering / ML‑пайплайн для прогноза урожайности

Развернула БД с миграциями, совместно с командой разработала классы для извлечения признаков. Контейнеризировала обучение в Docker, развернула инфраструктуру ClearML (сервер + агенты) для оркестрации экспериментов.

Результат: обеспечена полная воспроизводимость ML-экспериментов и готовность инфраструктуры к масштабированию вычислительных нагрузок.

SKOLTECH Computer Vision Research Engineer, R&D 01/ нужен доступ к резюме /2024

Стек: YOLOv8, OpenCV, SAM, DINOv2, CLIP, PyTorch

Исследовательский проект по автоматическому распознаванию отходов для

компании «ЭкоРосСтрой». Команда: 2 исследователя, 1 инженер.

1. Промышленный прототип для автоматического распознавания материала отходов совместно с «ЭкоРосСтрой» 

Собрала и размечена датасет 15k изображений (16 классов). Провела object-level аугментацию, подбор архитектуры и обучение YOLOv8. Интегрировала модель в real-time пайплайн на промышленном оборудовании.

2. Zero-shot классификация брендов отходов для повышения качества сортировки

Собрала датасет нужен доступ к резюме изображений (21 класс) с разметкой через SAM/DINOv2. Сравнила zero-shot модели (DINOv2, CLIP, ViT, LLaVA). Разработала гибридное решение: CLIP-эмбеддинги + линейный классификатор с пороговым анализом. Точность — 88%.

Результаты: Разработка легла в основу 4 научных публикаций (Q1) и магистерской диссертации (презентация). Прототип с точностью 83% на легких и 59% на сложных выборках передан заказчику и внедрен в первый полностью российский сортировочный комплекс с CV-модулем (видео-демонстрация).