01
Classic ML и эксперименты
Формулировка задачи, подготовка выборки, признаки, baseline, валидация, подбор метрик и анализ ошибок.
Applied ML / AI Engineer
Александр
Бондаренко
Проектирую и довожу до работающего контура ML-системы: от данных, признаков и метрик до пайплайна, интеграции и эксплуатации.
3+ годапроектной практики ML / AI
5 летширокой инженерной практики
6 кейсовв этой целевой подборке
End-to-endданные → модель → сервис
Чем полезен команде
Не только обучить модель.
Собрать систему вокруг неё.
02
NLP, поиск и LLM
Корпуса, эмбеддинги, vector search, extraction, асинхронный сбор данных и устойчивые LLM-пайплайны.
03
Инженерный ML-контур
Python/SQL, API и сервисы, тесты, Docker, наблюдаемость, воспроизводимость и интеграция с продуктом.
Выбранные проекты
Кейсы, о которых
можно говорить предметно.
Клиентские детали обезличены. Формулировки опираются на восстановленную историю задач, технологий и результатов.
01март — октябрь 2023
Распределённый векторный поиск и NLP-конвейер
Развитие клиентской библиотеки для шардированного индексатора: асинхронный API-клиент, подготовка текстов, эмбеддинги и воспроизводимые тесты.
- Разделил транспорт, стратегии шардирования и подготовку данных.
- Собрал эксперименты с BERT и Doc2Vec, связал Python-контур с FAISS/C++.
- Оформил окружение, pytest-набор и техническую документацию.
02апрель — май 2025
Адаптивный светофор: среда CityFlow и PPO-агент
Симуляционный ML-контур для управления перекрёстком с учётом автомобилей, пешеходов и накопленного времени ожидания.
- Спроектировал Gym-совместимую среду, observation space и reward function.
- Подготовил сценарий обучения PPO и диагностику поведения агента.
- Передал воспроизводимый контур для дальнейшей интеграции с Unity.
03январь — май 2026
Анализ PAM-сигналов из HDF5
Конфигурируемый исследовательский pipeline: чтение каналов, определение уровней модуляции, реконструкция и контроль ошибок.
- Соединил статистическое моделирование, Gaussian Mixture и интерполяцию.
- Добавил MSE-диагностику и визуализации для проверки гипотез.
- Сделал вычисления повторяемыми для разных наборов сигналов.
04август 2023 — ноябрь 2024
NLP-исследование дискурса в социальных медиа
Продолжительный data-проект: сбор постов и комментариев, очистка корпуса, постановка исследовательских вопросов и анализ текста.
- Организовал асинхронный сбор из Telegram и VK и устойчивую очистку.
- Собрал признаки, тематические срезы и sentiment-анализ.
- Описал методологию и ограничения, чтобы результаты можно было защищать.
05март — май 2023
LLM-платформа сбора и публикации контента
Четырёхэтапный pipeline: RSS/XML → извлечение материала → порционное LLM-преобразование → публикация в WordPress.
- Развёл этапы и сохранял промежуточное состояние вместо хрупкого монолита.
- Добавил batching, retries, логи и восстановление после сбоев.
- Упаковал сервисы в Docker Compose и подготовил эксплуатационный контур.
06январь — март 2023
Аналитический слой для IoT-данных
PostgreSQL-контур над потоком телеметрии: доменные таблицы, функции преобразования и BI-запросы по миллионам записей.
- Спроектировал ETL-логику, индексы и materialized views.
- Оптимизировал тяжёлые запросы и работу с битовыми масками.
- Подготовил слой данных, пригодный для аналитики и последующего ML.
Рабочий стек
Инструменты —
по задаче, не ради списка.
01Python
02SQL / PostgreSQL
03NumPy / pandas / SciPy
04scikit-learn
05PyTorch / TensorFlow
06Transformers / BERT
07FAISS / vector search
08FastAPI / AsyncIO
09Docker / Linux
10pytest / Git
Контакт
Готов разобрать
вашу ML-задачу.
Интересуют роли Applied ML / AI Engineer и задачи на стыке классического ML, NLP, поиска и продуктовой инженерии.