ML-инженер, GO разработчик

Был в этом месяце

200 000 ₽

42 года (родился 02 февраля 1983)

Москва, готов к переезду

Москва-Сити

Занятость

полная занятость

Гражданство

Россия

Контакты

Телефон

Почта

Будут доступны после открытия

Профессиональные навыки

Python
Linux
SQL
PyTorch
Docker
Computer vision
Работа с базами данных
ClickHouse
MySQL
C++
Показать еще

Фото, имя и контакты доступны только авторизованным пользователям

Опыт работы 14 лет и 9 месяцев

- Январь 2019 – май 2023
- 4 года и 5 месяцев
ML инженер, Aналитик
ООО СОК
Обязанности и достижения:
- Реализовал многопоточный парсер данных на Go в контейнере Docker, что ускорило обработку логов и загрузку в ClickHouse в 3 раза. - Разработал на Go ETL-процесс для агрегации данных из RabbitMQ и NATS, обеспечив стабильную передачу данных между микросервисами. - Разработал и внедрил модель прогнозирования CTR с использованием пользовательских признаков, поведенческих паттернов и истории кампании на архитектуре Transformer (PyTorch Lightning + Hydra), что увеличило ROI на 17%. - Оптимизировал пайплайн обработки больших данных с использованием Apache Spark и Hadoop (HDFS), сократив время обработки на 40%, настроил распределенное обучение моделей на больших датасетах. - Автоматизировал построение дашбордов в Apache Superset и Grafana для отслеживания производительности моделей и бизнес-метрик, сократив время отчётности на 70%. - Реализовал пайплайн обучения моделей с автоматическим трекингом экспериментов (Hydra + Gitlab + CI/CD + Poetry), обеспечив воспроизводимость результатов и контроль версий. - Создал систему A/B-тестирования ML моделей с автоматизированным сбором метрик в Grafana и Apache Superset. - Построил пайплайн A/B тестирования новых рекламных стратегий с применением математической статистики (t-test, bootstrap) и визуализации результатов через Grafana. - Внедрил мониторинг дрейфа данных (Kolmogorov-Smirnov test, scipy), производительности ML-моделей с использованием Grafana и Apache Superset, что позволило получать автоматические алерты и оперативно выявлять деградацию качества предсказаний. - Построил модель сегментации пользователей с помощью кластеризации (KMeans, DBSCAN), что позволило в Apache Superset визуализировать сегменты/кластеры пользователей, запустить более персонализированные рекламные кампании. - Интегрировал события из RabbitMQ и NATS в систему онлайн-скоринга — предсказания теперь обрабатываются в реальном времени (latency < 200мс). - Разработал скрипты для автоматизации обработки данных в ClickHouse с использованием SQL и Python, сократив время подготовки отчетов с 2 дней до 1 часа. - Реализовал асинхронный обработчик событий с использованием Go и NATS для real-time аналитики пользовательских действий, обеспечив задержку менее 50мс. - Настроил Poetry для управления зависимостями Python- проектов, внедрил Hydra, что упростило воспроизводимость ML-экспериментов.
- Февраль 2008 – май 2018
- 10 лет и 4 месяца
Аналитик
Рекламное агентство Волна
Обязанности и достижения:
Сфера деятельности компании: рекламная деятельность - Поиск рекламных мест и анализ их эффективности. - Прогнозирование окупаемости рекламных носителей. - Размещение рекламных носителей. - Поиск и применение стратегий для повышение финансовых показателей компании. Достижения: Увеличение прибыли компании на 200% за счет запуска новых рекламных носителей

Образование

- Магистр
- Дневная/Очная
- 2025
Национальный исследовательский университет ИТМО, Санкт-Петербург
Факультет: Технологии искусственного интеллекта
Специальность: Искусственный интеллект в промышленности

Обо мне

Дополнительные сведения:

ML-инженер, Data Scientist с 3+ годами опыта в разработке и оптимизации ML-моделей (PyTorch, TensorFlow), многопоточном программировании на Go, контейнерезации ML решений (Docker + Flask API) и анализе данных (Spark, Hadoop, ClickHouse). Образование: диплом с отличием в магистратуре ИТМО (факультет технологий ИИ, специальность "ИИ в промышленности"). Python, Linux, SQL, PyTorch, Docker, Computer Vision, Работа с базами данных, Clickhouse, MySQL, C++, Оптимизация, Линейная алгебра, Математическая статистика, Apache Spark, Kubernetes, Базы данных, Machine Learning, ML, Hydra, Golang, Big Data, Hugging Face, transformers, RabbitMQ, PostgreSQL, pandas, TensorFlow, Docker-compose, Flask, Deep Learning