Сочетаю в себе квалификацию и многолетний опыт учёного-практика, аналитика данных, архитектора и проектировщика интеллектуальных систем, профессионального программиста. Лидер команды, наставник. Способен находить решения сложных нетривиальных задач. Потребность решать такие задачи - в ряд проектов меня приглашали после того, как нужный результат не удавалось получить мейнстрим-подходами (нейросети, NLP-инструменты, поисковые движки и т.п.) - побудила меня применить передовые достижения наук о мозге, которые составят теоретический фундамент ИИ будущих поколений, не ожидая, пока для них будут разработаны мат. аппарат, алгоритмы, …, а сделать это самому, для задач текущего проекта. Этот путь привёл к успеху, позволил создавать продукты с потребительскими свойствами, превосходящими конкурентные решения. Так в практическом решении многих задач разных проектов за 15 лет сформировался методический и технологический комплекс, который можно назвать [новой] технологией ИИ (опережающей мейнстрим). Ключевые научные источники технологии — Теория функциональных систем (как конструктивная теория мозга), новейшая когнитивная модель мозга «Когнитом» академика К.В.Анохина. Разработанная мной техническая модель когнитома получила рабочее название «Нейросемантическая гиперсеть» (НСГС). В отличие от «чёрных ящиков» нейросетей и других моделей ML, НСГС — это полностью «белый ящик». Все её элементы, включая числовые параметры, осмысленны, легко интерпретируются человеком, могут быть им изменены и дополнены. Результаты алгоритмов также естественным образом получают семантическую интерпретацию. Белый ящик по своей природе не способен порождать «галлюцинации ИИ», характерные для ящиков чёрных. Сочетая нейробиологические концепции с глубоким пониманием теории информации, мне удалось отыскать несколько очень удачных формул оценки информативности, семантической значимости соотношений в массивах данных, включая тексты. Они легли в основу метрик числовых параметров связей когнитома, ранжирующих коэффициентов интеллектуальных функций. Это позволило создать высокоэффективные алгоритмы извлечения знаний из массивов данных, наполнения НСГС знаниями согласно системно-селективной концепции научения (а не инструктивной, как в ML и нейросетях). Нет необходимости «обучать» когнитом решению конкретной задачи. Мы можем «научать» его, накапливая знания, полученные в разное время, от разных источников, сочетая разные способы: автоматические алгоритмы, полуавтоматические (с подтверждением гипотез человеком или другим алгоритмом), прямое внесение знаний человеком. Полная открытость, управляемость и гибкость создают весомые преимущества. Условия многих проектов таковы, что применить на старте машинное обучение попросту не на чем - отсутствуют размеченные датасеты или они очень низкого качества (а современные ML-модели превзойти точность обучающего датасета не могут). С НСГС мы можем успешно стартовать даже с минимальных позиций, используя поначалу знания человека, сочетая способы научения, доступные в имеющихся условиях, постепенно наполняя знаниями «машинный мозг» (одновременно получая качественно размеченные датасеты). Накопление знаний создаёт положительную обратную связь: с ростом «наученности» машинного мозга, онтологии предметной области, новые знания удаётся получать всё быстрее и с возрастающей степенью автоматизации. Растущий в своих компетенция машинный мозг применяем для широкого спектра целей и задач: создание и развитие инструментов и сервисов (высокоточный интеллектуальный поиск, семантическая навигация, классификации и кластеризации, поиск похожих, автоматизированное формирование таксономий и словарей предметной области, рекомендации и т.п.), быстрое получение ответов на возникающие запросы, аналитика, инфографика и т.д. Подход выгодно отличают гибкость, многоплановость, системность, возможность даже в сложных условиях исходных данных получать результаты высокого качества и точности, преодолеть «стеклянный потолок» современных мейнстрим-методов, превзойти конкурентные решения. Это доказывают результаты реализованных проектов. Так, рекомендательный сервис для авторов книг, публикующих их на маркет-плейсах, был признан пользователями превосходящим по качеству рекомендаций аналогичный сервис Amazon. Благодаря чему стартап, для которого я реализовывал функциональность рекомендаций, был куплен издательским гигантом Макмиллан. В другом проекте реализованный мной высокоточный интеллектуальный поиск компаний по множеству ассоциированных с ними текстов вышел несопоставимо более качественным и полезным, чем реализованный для тех же целей на основе Elasticsearch. Прототип системы классификации писем граждан мэру Москвы, будучи наученным на массиве решений операторов, показал точность классификации выше операторской (т.е. качество результата выше качества в обучающем массиве, а именно качество классификации операторами не устраивало руководство). Ранее, созданная моей лабораторией многофункциональная система аналитики больших текстовых потоков опередила решения компаний-конкурентов, эксплуатировалась весьма серьёзными заказчиками, развивалась по их требованиям. В течение последнего десятка лет «машинный мозг» проектируемых систем мы реализовывали на PostgreSQL (которым я владею в совершенстве) - как данные нейросемантической гиперсети, так и программный код ключевой функциональности. Более подробно о моих компетенциях в PostgreSQL - в разделе "О себе" резюме https://hh.ru/resume/0b3242d8ff1061850f0039ed1f54785372506b Таким образом, технология 100%-но отечественная, от фундаментальных научных основ до программного кода. Технология постоянно развивается, каждый новый проект привносит в неё усовершенствования, новые интеллектуальные возможности, функции, ноу-хау. P.S. Я никогда не был на больничном, а мои велопрогулки порой превышают 100км за день