Game Master Bot — Telegram-бот с ИИ-агентами для ролевых игр - Спроектировал multi-agent систему (4 специализированных агента: DM, Combat, Quest, NPC) с координатором, intent classification и автоматическим роутингом запросов - Реализовал Event Sourcing архитектуру: иммутабельные события, агрегаты, проекции, полный audit trail игрового состояния в PostgreSQL - Построил интерактивный игровой процесс через LLM-диалог с fallback-цепочкой - Реализовал полный игровой цикл: обработка ходов через LLM-пайплайн с RAG-контекстом из ChromaDB, автоматическая оценка квестового прогресса, skill checks, боевая система с инициативой - Оптимизировал 20B reasoning модель (llama.cpp): prompt budget management, adaptive retry при превышении контекста, token-efficient промпты (<3000 chars) - Интегрировал multi-provider LLM (OpenAI, Anthropic, Ollama) с автоматическим fallback и Redis-кэшированием ответов - Настроил production инфраструктуру: Docker Compose, Nginx, мониторинг (Prometheus + Grafana + Loki), healthchecks, i18n Стек: Python 3.11 · FastAPI · aiogram · PostgreSQL · Redis · ChromaDB · Docker · OpenAI API · llama.cpp · Prometheus/Grafana · SQLAlchemy · Alembic

Health-tech стартап (MVP пилот в 2 клиниках) Инфраструктура / MLOps: · Спроектировал и развернул контейнерную платформу из 14 микросервисов (PostgreSQL, MinIO, Redis, Django + Gunicorn, Celery worker/beat, FastAPI-ML, Orthanc, OHIF Viewer, Label Studio, React-frontend, Nginx-gateway). · GitLab CI + Docker Compose → деплой без простоя < 5 мин. · Построил end-to-end ML lifecycle. Аннотация данных через Label Studio, сбор и версионирование датасетов, предобработка и feature-pipeline, трекинг экспериментов и метрик через MLflow, registry моделей (champion/challenger), автоматизированный деплой в продакшн. · Реализовал hot-swap релиз моделей без простоя: новый champion поднимается параллельно, проходит smoke-валидацию и переключается через routing/gateway без downtime. · (Prometheus + Grafana + Loki) среднее время обнаружения/фиксации инцидента — 15 мин. DICOM-пайплайн: · Реализовал асинхронный конвейер Orthanc → Celery → FastAPI-ML → Postgres/MinIO: ~320 исследований/сутки (≈ 25 k файлов/мес). · Сократил 99-й перцентиль цикла исследования до < 50 с. · Ускорил PDF-обработку и ROI-детекцию с 1 мин 40 с до 55 с. ML-модули: · Компьютерное зрение · Классификация ОКТ снимков (Swin-T) – AUC 0,94, 80 мс/кадр. · Классификация фундус-снимков (EfficientNetV2-S) – F1 0,91, 90 мс/кадр. · Сегментация сосудистой сети по ангио-ОКТ (UNet++) – IoU 0,87, 140 мс/кадр. · Детекция мед-изображений в PDF/DICOM (YOLOv10-DocLayNet, 4 класса) – mAP@0.5 0,93, 45 мс/объект. · LLM-решения: ·Чат-бот LangChain/RAG генерирует пояснения и черновики DOCX-отчётов, сокращая время врача на оформление ≈ 35 %. Стек Python 3.10 · Django 4 · FastAPI · PyTorch 2.x · YOLOv10 · UNet++ · Swin Transformer · PostgreSQL 15 · MinIO · Redis · Celery · Docker Compose · GitLab CI/CD · Prometheus/Grafana/Loki · LangChain

- GlowByte Autumn Hack 2023: команда вышла в очный финал и заняла 7-е место среди ≈ 150 команд; кейс — прогнозировать почасовое потребление электроэнергии региона. - Трек «NLP in practice» (ODS.AI × Альфа-Банк): после прохождения всех 10 учебных модулей и квизов вошёл в топ-250 участников итогового лидерборда. - Kaggle-соревнование «ICR — Identify Age-Related Conditions»: задача — предсказать наличие трёх возраст-зависимых заболеваний по 56 анонимизированным биомаркерам; занял 977-е место из 4 410 команд на публичном лидерборде. - Завершил полный онлайн-курс «Специалист по Data Science» от Яндекс Практикума (8-месячная программа, 9 учебных проектов, итоговый диплом).