Резюме: AI/ML-engineer

ITMO-NSS-Lab — Data Scientist (Researcher) Январь 2026 — н. в.
Tool selection / retrieval для LLM-агентов и бенчмаркинг агентов над MCP-серверами
• Соавтор статьи по tool selection / retrieval для LLM-агентов (подана на EMNLP): дообучил embedding-модели на
синтетических контрастных данных — +7% Recall@k относительно frozen-baseline; спроектировал planner/retriever-
пайплайны (LangGraph, RAG), reranking и анализ ошибок.
• Соавтор DynamicMCPBench — фреймворка для оценки LLM-агентов на живых MCP-серверах (подан на EMNLP
2026, Industry track): реализовал effect-based scoring — детерминированную проверку effect-чекпоинтов под replay и
LLM-судью (LLM-as-a-Judge) на эквивалентность эффектов; агент оценивается по воспроизведению эффектов, а не по
финальному ответу.

Falconia AI — AI/ML Engineer Февраль 2025 — Январь 2026
LLM-продукты и ML-сервисы для автоматизации продаж и удержания клиентов
• Спроектировал и запустил в пилот мультиагентную систему на LLM для обработки входящих заявок (Avito, ~1000
заявок/день): агент-классификатор лидов и сценарные диалоги по типам пользователей, доводящие клиента до этапа
сделки; интеграция с Avito API на асинхронном Python.
• Результат: на проде конверсия в закрытые заявки оказалась на 2% выше, чем у менеджеров; бот заменил 3 менеджеров
на аккаунте — экономия ~300 000 руб./мес.
• Построил пайплайн обработки документов (OCR + NLP) для извлечения текста из сканов и фото — сократил время
ручной обработки заявки с 15 до 3 минут.
• Разработал end-to-end ML-пайплайн прогнозирования оттока (~30k аккаунтов): сбор и подготовка данных, batch-скоринг
и выгрузка скоров в CRM.
• Спроектировал 40+ признаков и обучил градиентный бустинг с time-based валидацией — PR-AUC 0.64 против 0.41 у
baseline-логрега; интерпретация через SHAP, A/B-тест дал uplift retention +12%.
• Проводил пресейл-встречи и техническую оценку задач: переводил бизнес-боли заказчика в ТЗ, оценивал реализуемость
и сроки.

Проекты
JobMatch — классификация соответствия резюме и вакансий
Python, sentence-transformers, FAISS, OpenAI API, prompt engineering, LLM-as-a-Judge
• Провёл EDA датасета (~6k пар резюме–вакансия), выявил системную проблему разметки (~40% ошибок); организовал
полуавтоматическую переразметку через LLM + ручной аудит 1000 семплов.
• Сравнил подходы к классификации соответствия (эмбеддинг-бейзлайн и LLM-as-a-Judge) и выбрал лучший по качеству;
чтобы снизить стоимость, добавил двухступенчатую схему: быстрый эмбеддинг-классификатор отсеивает очевидные
пары, дорогой LLM-судья разбирает только спорные.
• Итоговое решение (LLM-as-a-Judge): F1 Macro 0.86, Accuracy 0.87; двухступенчатая схема дала экономию 30–40%
LLM-запросов без потери качества (бюджетный вариант — F1 Macro 0.825 при $0.23 / 1000 пар).

Образование
ИТМО — Факультет компьютерных технологий
Прикладная математика и информатика, программа AI 360 / «Искусственный интеллект»

Достижения
• Финалист Всероссийской олимпиады по математике.
• Призёр и победитель множества перечневых олимпиад по математике.

Навыки
Языки и БД: Python, SQL
ML / DS: Machine Learning, Deep Learning, градиентный бустинг, feature engineering, SHAP, A/B-тестирование, математическая статистика
LLM / NLP: RAG, retrieval & reranking, fine-tuning эмбеддингов, tool selection, LLM-агенты, LLM-as-a-Judge, MCP (Model Context
Protocol), оценка/бенчмаркинг агентов, OCR
Стек: PyTorch, Scikit-learn, Pandas, NumPy, LangGraph, Langfuse, OpenAI API, FAISS, sentence-transformers
MLOps / продакшн: Docker, CI/CD (GitHub Actions), Git, GitHub, Linux
Языки: Русский — родной; Английский — B2