AI / ML инженер / Архитектор LLM-систем / RAG / Multi-Agent Frameworks

Был сегодня в 16:32

По договорённости

Соискатель скрыл дату рождения

Москва, удаленная работа

Занятость

полная занятость

Гражданство

Россия

Контакты

Телефон

Почта

Будут доступны после открытия

Профессиональные навыки

Python
FAISS
LangChain
Hugging Face
Streamlit
FastApi
Docker
render
Github
Cursor
Показать еще

Фото, имя и контакты доступны только авторизованным пользователям

Опыт работы 1 год и 7 месяцев

- Май 2024 – работает сейчас
- 1 год и 7 месяцев
AI инженер
freelance, Москва
Обязанности и достижения:
Работал над созданием и интеграцией прикладных LLM-решений для клиентов, а также проводил собственные исследования и прототипирование новых AI-подходов. Клиентские задачи - Разработка кастомных AI-ассистентов (чат-боты, бренд-аватары, корпоративные помощники). - Создание RAG-систем для поиска по документам, инструкциям и базе знаний. - Интеграция LLM через API (OpenRouter, OpenAI-совместимые модели). - Встраивание в рабочие процессы Telegram-ботов, CRM-и интерфейсов клиентов. - Настройка векторных баз (Qdrant, FAISS) и пайплайнов ingestion. - Создание мультиагентных сценариев: роутеры, мемори-слои, инструменты, fallback-логика. R&D и эксперименты - Тестирование и сравнение современных LLM-моделей и фреймворков (LangChain, LangGraph, Pydantic AI). - Построение собственных прототипов RAG-архитектур, включая re-ranked и hybrid RAG. - Исследование качества retrieval, chunking, reranking, memory-инъекций. - Разработка mini-систем и утилит для анализа, экспериментов и быстрого прототипирования. - Эксперименты с мультиагентными подходами, поведением моделей, маршрутизацией и self-check. Создал десятки рабочих прототипов и готовых решений, которые использовались клиентами в реальной работе. На практике совмещал инженерный подход, продуктовое мышление и исследовательский интерес — быстро проверял идеи, превращал их в рабочие инструменты и улучшал архитектуру на основе реальных тестов. Моя когнитивная архитектура носит полимодальный характер и функционирует не линейно, а распределённо. Она ближе к концепции multi-tenant cognitive graph, чем к классической специализации. Я не фиксируюсь на одном домене — вместо этого я строю взаимосвязанные контуры знаний, которые постоянно резонируют друг с другом и формируют устойчивую системную модель. По этой причине моя профессиональная адаптация не происходит через постепенное накопление навыков, а через структурное перенастроение внутренней модели знаний. Я вхожу в новую область как в незакрытый граф: выявляю узловые вершины, отделяю шум от сигналов, обнаруживаю уязвимые места архитектуры и собираю рабочий контур, в котором все элементы взаимно усиливают друг друга. В отличие от специалистов с тоннельной специализацией, моя нейроадаптация работает в режиме параллельной демультиплексированной обработки: я удерживаю одновременно несколько уровней абстракции — данные → методы → архитектура → продукт → поведение пользователя → экономическая целесообразность. Это позволяет проектировать AI-системы не как набор инструментов, а как глобально согласованный механизм, где каждый компонент — модель, RAG-цепочка, векторная память, рерэнкер, агент, API-прослойка — работает в условиях кроссмодальности и функциональной взаимозависимости. По сути, моя профессиональная сила — это когнитивная распределённость. Я не погружаюсь в одну тему до потери масштаба — я выстраиваю между темами устойчивые мосты, благодаря чему создаю архитектуры, которые не просто работают, а обладают организованной сложностью — устойчивой, масштабируемой и легко адаптирующейся под изменения стека технологий. Такой подход делает меня эффективным не в «одной узкой задаче», а в построении целостных AI-инфраструктур, где ключевым является не глубина в одном направлении, а способность увидеть всё пространство вариантов и собрать из него оптимальную траекторию.

Обо мне

Дополнительные сведения:

AI / ML инженер | Архитектор LLM-систем | RAG / Multi-Agent Frameworks ПРОФИЛЬ Архитектор и разработчик интеллектуальных систем на стыке машинного обучения и диалоговых технологий. КЛЮЧЕВАЯ КОМПЕТЕНЦИЯ LLM и NLP (LangChain / Hugging Face / Qwen / Mistral / DeepSeek / TinyLlama. Function Calling, Toolformer, структурированный вывод, маршрутизация памяти.) RAG-системы (FAISS / Qdrant / Chroma / Deep Lake. Семантический поиск, ранжирование, фильтры релевантности, генерация с цитированием.) Мультиагентные архитектуры (Проектирование ансамблей агентов с консенсус-логикой, self-debug ядром и адаптивным распределением ролей.) Fine-Tuning / LoRA (Разработка Low-Rank Adaptation-пайплайнов (PEFT / Hugging Face) для адаптации LLM и визуальных моделей под домен и стиль общения.) MLOps и инфраструктура (FastAPI, Streamlit, Docker, MLflow, Weights & Biases, Render, GitHub CI, Airflow, vLLM, ONNX, TensorRT, Prometheus + Grafana.) Безопасность и устойчивость LLM (Защита от prompt injection, adversarial атак и data-poisoning; проектирование фильтров и валидации входных данных.) Интеграции и деплой (REST API, Make / n8n, CI/CD-конвейеры, облачные окружения, логирование и мониторинг.) ОПЫТ С ПРОЕКТАМИ - Retrieval-QA система Локальная платформа вопросов-ответов на базе RAG с загрузкой документов, семантическим разбиением текста, контекстным поиском и генерацией с цитатами. - Мультиагентный фреймворк рассуждений Создание системы агентов с памятью, самодиагностикой и динамическим распределением ролей для диалогов и решения задач. - Пайплайн дообучения (LoRA) Модульная система дообучения LLM и генеративных моделей под конкретные домены и стили (PEFT / LoRA). - Диалоговые ассистенты (продакшн) Проектирование и запуск ассистентов с адаптивным поведением, проверкой данных и интеграцией через API. - Retrieval + Routing-платформа Многостратегийный retrieval (map-reduce, refine), постоянное состояние памяти и структурное логирование JSONL. ОБУЧЕНИЕ И СЕРТИФИКАЦИИ - ML System Design (2025) — архитектура ML-систем, наблюдаемость, масштабирование. - LangChain & Vector Databases in Production / Deep Lake Foundational Model Certification (in progress). ТЕХНОЛОГИИ Python | LangChain | Hugging Face | FAISS | Qdrant | Deep Lake | FastAPI | Streamlit | Docker | MLflow | Render | GitHub | TensorRT | Make/n8n | Prometheus / Grafana | Pandas | PyTorch