MLE/MLops

На данный момент MLE.

Мои компетенции и опыт

ML-инженер, MLops, Data Scientist, Machine и Deep Learning, помогаю бизнесу принимать решения на основе данных, работаю по принципу AI-first. Проектирую системы ML и DL приложения, декомпозирую задачи, составляю планы реализации. За последние годы построил MLops платформу для автоматического обучения, вывода в production и мониторинга ML-моделей, сократив time-to-market до 3 часов, и внедрил обработку 1-3 ТБ данных в день на PySpark. Ищу команду, где смогу влиять на продукт, улучшать технологии и видеть результат своей работы.

Опыт работы (4 года 9 месяцев) 

Май 2022– июль 2026

Razum AI, Москва – ML-инженер 

Разрабатывал MLOps-платформу предиктивных технологий полного цикла: от создания ML-модели до вывода в production и мониторинга. Внедрил диалоговую систему в виде AI-агента помощника на базе vLLM с базой знаний (RAG). 

• Внедрил инструмент компьютерного зрения для разметки изображений и дообучения модели VGG19 и Yolo5 
• Разработал универсальный инструмент для создания ML-моделей с поддержкой MLops, время внедрения и time-to-market сокращены до 3 часов. 
• Спроектировал и внедрил архитектуру обработки данных объёмом 1–3 ТБ в день на PySpark и снизил нагрузку на инфраструктуру на 37%. 
• Разработал инструмент визуализации и мониторинга промышленного объекта в реальном времени (Time Series, временные ряды), сократив время реагирования с 1 часа до 5 минут. 
• Запустил пилотный ML-антифрод проект по поиску аномалий в сетевом трафике в закрытом контуре заказчика. Точность обнаружения аномалий — 78,6% (базовый уровень не более 30%), снижение времени реагирования на инцидент — до 1 часа (базовый уровень 10 часов).
• Разработал систему визуализации решений торгового алгоритма, сократившая время анализа сделок трейдерами до 1 минуты (базовый уровень 10 минут на сделку) 
• Внедрил систему для обработки и визуализации 30–50 млн тиковых записей в день.

Август 2021– Январь 2022 

Ростелеком, Москва – Аналитик данных 

Проводил ad hoc анализ данных сотрудников с использованием Python, PySpark и Plotly.

• Создал MVP прогнозирования оттока сотрудников, который позволил выявить группы риска и снизить текучесть на 17.5%

Сентябрь 2026– Октябрь 2026 

Pet проект – ML-инженер, MLops 

Web приложения позволяющее почувствовать себя пассажиром Титаника и узнать вероятность выжить при крушении. Разработал полный цикл MLops-пайплайна: с разделением сервисов, автоматическим трекингом экспериментов с помощью MLflow, строгим тестированием качества моделей в CI/CD и системой автоматического самовосстановления (self-healing) в продакшене. ML-пайплайн включает предобработку данных и обучение модели (Random forest, ROC AUC нужен доступ к резюме ). Backend – FastAPI, Frontend - Streamlit