AI Systems Engineer с 7+ годами опыта программирования, специализирующийся на проектировании и внедрении production-grade AI-систем: LLM-агентов, RAG-инфраструктуры и end-to-end ML-пайплайнов. Фокус — на построении устойчивых и интерпретируемых AI-систем, где ключевую роль играет не только качество моделей, но и корректность метрик, ранжирования и оценки. Ключевая экспертиза: ▲ LLM & RAG Infrastructure Проектирую архитектуры с нуля: retrieval → ranking → generation → evaluation. Разрабатываю multi-agent системы и снижаю hallucinations через контроль контекста и формализацию prompt-логики. ▲ Ranking & Evaluation Systems Создал production-ready фреймворк RMC-Rank для мультикритериального ранжирования с гарантией монотонности и интерпретируемости. Работаю с noisy и incomplete сигналами, обеспечивая стабильность и предсказуемость рангов. ▲ Applied Research (LLM Evaluation & Robust Statistics) Разработал собственную метрику корреляции (MK), устойчивую к шуму и выбросам, с линейной сложностью O(n). Метрика применима для: - оценки agreement в LLM-as-a-judge - измерения ranking stability - анализа качества моделей в условиях галлюцинаций и шумных разметок В отличие от классических метрик (Pearson / Spearman / Kendall), MK сохраняет устойчивость на нелинейных и зашумлённых данных. ▲ Production ML & MLOps Строю воспроизводимые ML-системы (MLflow, PyTorch, sklearn) с полным циклом: data → training → deployment. Оптимизирую под бизнес-метрики (R² 0.94, MAPE 4.8%). ▲ AI Systems Engineering Провожу reverse engineering production-алгоритмов (scoring, ranking), формализую скрытые механики и повышаю надёжность AI-систем. Коротко: Проектирую AI-системы на уровне архитектуры, метрик и алгоритмов — от retrieval до evaluation, включая разработку собственных методов оценки.