1. Разработка AI-агентов для краудсорсинговой площадки Сбера – AI-агент для для улучшения пользовательского опыта подачи инициатив (Пользователи взаимодействуют с агентом посредством чата, AI-агент помогает сформулировать текст инициативы, проверить ее на дубликаты среди уже существующих, рассчитать фин. эффект; LLM - GigaChat). Агент выведен в ПРОД. Качество агента по оценке экспертов – 93%, среднее время подачи инициативы на площадке с AI-агентом сократилось с 60 минут о 20. – Разработка AI-агента для эффективной проверки экспертами поданных инициатив (AI-агент проверяет инициативу на наличие в бэклогах, целях команды, выдает краткое саммари, проверяет по чек-листу, а также формирует заключение эксперта). Текущий статус: PoC – Разработка ML-пайплайна для маршрутизации инициативы на профильного эксперта (Решение включает в себя несколько этапов, дополнительно дообучались с помощью LoRA модели классификации (ruRoberta-large) и модели-эмбеддеры (E5-large-multilingual)). Решение выведено в ПРОД, качество 90% на топ-3 – Определение областей применения AI для оптимизации бизнес-процесса – Определение наиболее важных проблем пользователей при подаче инициатив и наиболее острых проблем экспертов при проверке поданных инициатив – Управление интеграцией AI-агентов в продукт (планирование спринтов back-end и front-end команд, улучшение UI/UX при использовании продукта, разработка Python-микросервисов агентов) 2. Разработка NLP-моделей для оптимизации процесса сбора и анализа инициатив сотрудников 3. Разработка модуля AI-аналитики на платформе по оценке сервисов Сбера 4. Менторство младших коллег и стажеров

1. RAG (Retrieval Augmented Generation): – Разработка скрипта для context-aware деления документов на чанки заданного размера и наполнение поискового индекса – Подготовка обучающего и тестового датасетов для обучения эмбеддера – Обучение эмбеддера для векторного поиска (backbone – E5-LARGE Multilingual) – SFT LLM на собранном инструктивном сете (backbone – LLAMA-2) – Проведение экспериментов с улучшением пайплайна векторного поиска: * Обучение ре-ранкера для улучшения результатов работы ретривера (backbone – ruRoBERTa-LARGE) * RAG-Fusion 2. Кэширование LLM: – Разработка пайплайна для кэширования частотных пользовательских запросов – Обучение q2q-модели для нахождения вопросов-синонимов (backbone – E5-LARGE Multilingual) – Разработка скрипта для обновления кэша 3. Определение жизненной потребности клиента: – Разработка пайплайна для определения жизненной постребности клиента банка в real-time (ASR+LLM) 4. Менторство младших коллег и стажеров

1. Настройка и улучшение поиска для онлайн-платформ – Анализ пользовательских запросов и интентов – Подбор стратегии поиска и ранжирования, анализ качества поисковой выдачи 2. Оптимизация процесса настройки поиска – Создание инструмента для проверки данных в фидах онлайн-магазинов – Усовершенствование инструмента для генерации синонимов/исправлений опечаток/транслитераций) 3. Сбор пользовательских отзывов на продукты (совместно с Тинькофф): написание алгоритма, позволяющего матчить данные из чеков с реальными товарами в фидах клиентов 4. RnD: исследование методов и процессов внедрения больших языковых моделей в поиск для e-commerce платформ

1. Оценка поисковой выдачи Computer Science 2. написание ликбезов (аннотаций) оценки CS-запросов

Разметка тональности новостных текстов на испанском языке