Обязанности и достижения:
Я работаю в проекте FlockPatterns. FlockPatterns — система мониторинга состояния птиц на базе нейросетей.
Основные обязанности:
- Подготовка и разметка обучающих выборок, исследование и обучение ML-моделей YOLO для детекции кур.
Разработка скриптов прореживания проекций и реконструкции DICOM.
- Разработка и внедрение алгоритмов извлечения признаков, позволяющих анализировать поведение кур на видео.
- Построение data-пайплайнов и автоматизация расчётов.
- Написание unit-тестов (pytest).
- Участие в код-ревью.
- DevOps и эксплуатация: настройка CI/CD (GitLab CI)
- Интеграция с облачными сервисами AWS: Lambda, S3, DynamoDB, Kinesis, SQS.
- Работа с базами данных: PostgreSQL, MongoDB, SQLite, ClickHouse.
- Участие в разработке и поддержке микросервисной архитектуры: Docker, GitLab CI/CD, submodules.
- Поддержка и настройка Linux-сред и скриптов автоматизации (bash, systemd).
Технологии и инструменты
- Python, С/С++, Bash, JavaScript и Rust (ознакомительно);
- OpenCV, numpy, pytest, aiogram, asyncio, jupyter, Pandas;
- SVN, Git, GitLab CI/CD;
- AWS (Lambda, S3, DynamoDB, Kinesis, SQS, EC2);
- MongoDB, PostgreSQL, SQLite, ClickHouse;
- FastAPI;
- YOLOv7;
- Docker;
- Linux;
- Одноплатные компьютеры.
- Развернула и нагрузочно протестировала лямбда-функцию расчёта, обеспечив обработку >1000 событий в день.
- Повысила устойчивость системы уведомлений (pg → mongo sync) и сократила число ложных срабатываний на 30 %.
- Разработала микросервис для обработки видео с камер, обеспечивающий автоматизированный мониторинг поведения кур. Реализовала полную цепочку: сбор, фильтрация, анализ и агрегация данных.
- Оптимизировала производительность AWS Lambda-функции, повысив скорость отправки запросов и получения данных из MongoDB API в 3 раза за счёт рефакторинга
- Автоматизировала групповой пайплайн обработки сырых данных МКТ, сократив время подготовки датасета на 60 %.