Резюме: LLM-инженер / ML-инженер (RAG, AI-агенты)

LLM-инженер с продуктово-аналитическим бэкграундом в банке. В одиночку собрал и веду в production мультиагентную LLM-систему исследований банков «Ортант:Банки»: живой сайт с 24 опубликованными исследованиями и запуском новых прогонов по запросу гостя. Прошёл полный цикл сам: сбор данных, RAG и агенты, оценка качества, деплой и мониторинг. Работаю по принципу «сначала измерь, потом чини»: каждая гипотеза защищена метрикой, каждый вывод системы — автоматической проверкой утверждений.

Сайт: ortant.net
Код: github.com/Ortant333/ortant-banks
Статья о системе: habr.com/ru/articles/1066822

— AI-агенты: LangGraph/LangChain, шесть LLM-ролей в прогоне; tool calling и structured output; управление контекстом, ошибками, ретраями и условиями остановки; роутинг задач между пятью моделями через OpenRouter.
— RAG-пайплайн: парсинг и очистка документов, чанкинг, эмбеддинги, векторный поиск в Qdrant, семантический поиск по 10 000+ отзывов.
— Оценка качества: эталонный датасет 379 примеров, классификатор жалоб с macro-F1 0,81; faithfulness-гейт 0,85; LLM-as-a-judge на каждом прогоне; гейт публикации остановил 7 прогонов из 31 с кодом причины.
— Экономика LLM: медиана прогона $0,13 и 12,8 минуты; переход на открытые модели — в 2,7 раза дешевле; бюджетные гейты четырёх уровней.
— Наблюдаемость: Langfuse (traces, tool calls, latency, стоимость), Weights & Biases; разбор «почему агент сломался» по трассам и логам.
— Данные: Playwright-парсеры семи источников, обход антибот-защиты; PII-анонимизация; PostgreSQL 17 в Docker, SQLAlchemy/Alembic.
— Классический ML и статистика: кластеризация UMAP + HDBSCAN — 59 тем; Isolation Forest, Prophet; перестановочные тесты, wild bootstrap.
— Production: VPS, nginx — HTTPS, rate-limit, микро-кэш; Flask — 87 маршрутов; гостевой доступ с лимитами по бюджету. Ежедневная разработка с AI-инструментами (Claude Code, Codex).

Опыт в аналитике: год продуктовой и экономической аналитики — банк (карточные продукты) и авиакомпания; метрики до решения, гипотезы до измеримого эффекта. После аналитики — полгода самообучения Data Science и LLM-инженерии (сентябрь 2025 — апрель 2026), затем собственный production-проект.

ОПЫТ РАБОТЫ

Ортант:Банки (ortant.net) — собственный продукт
LLM-инженер, май 2026 — по настоящее время
Мультиагентная LLM-система исследований банков на публичных данных. Спроектировал, собрал и довёл до production в одиночку.
Сайт: ortant.net
Код: github.com/Ortant333/ortant-banks
Статья о системе: habr.com/ru/articles/1066822
- Спроектировал и довёл до production мультиагентную систему: семь потоков публичных данных, шесть агентных ролей (LangGraph, tool calling, structured output), проверка утверждений, публикация на сайте; 24 опубликованных исследования, до 155 доказательств на кейс.
- Построил RAG-контур: чанкинг, эмбеддинги, векторный поиск (Qdrant), семантический поиск по 10 000+ документов.
- Выстроил оценку качества: эталонный датасет 379 примеров (три LLM-аннотатора), классификатор с macro-F1 0,81, faithfulness-гейт 0,85, гейт публикации остановил 7 прогонов из 31 с кодом причины.
- Оптимизировал стоимость и скорость LLM-вызовов: медиана прогона $0,13 / 12,8 мин; миграция на открытые модели — в 2,7 раза дешевле; бюджетные гейты четырёх уровней.
- Собрал данные с нуля: Playwright-парсеры, обход антибот-защиты, PII-анонимизация, PostgreSQL/SQLAlchemy/Alembic.
- Задеплоил и сопровождаю: VPS, nginx/HTTPS, rate-limit и кэш по замерам нагрузки, мониторинг Langfuse; продуктовый слой — конструктор исследования, бесплатный паспорт данных, гостевые ключи с потолком бюджета.
- Ежедневная разработка с AI-инструментами (Claude Code, Codex).

Авиакомпания «Якутия»
Экономист-аналитик, июнь 2025 — август 2025
- Разработал модели прогнозирования затрат на рейсы и расчёта тарифов.
- Провёл сегментацию пассажиров, выявил поведенческие паттерны, предложил гипотезы по удержанию.
- Участвовал с коммерческим блоком в решениях по запуску и приоритизации маршрутов.
- Эконометрические исследования, презентации результатов руководству.

Алмазэргиэнбанк
Продуктовый аналитик, июль 2024 — март 2025
- Провёл UX-исследование сайта оформления карт: выявил критические проблемы, конверсия выросла в 2 раза.
- Разработал систему продуктовых метрик карточных продуктов — решения принимались по измерениям, а не по ощущениям.
- Проанализировал сегмент клиентов с высоким риском оттока: поведенческие паттерны — гипотезы — снижение churn.
- Инициировал и довёл до внедрения систему логирования сайта и приложения: сам написал ТЗ, работал напрямую с разработчиками — качество данных выросло, на новых данных провёл углублённый анализ пользовательских сценариев.
- Оценивал эффективность маркетинговых и промо-кампаний в деньгах: прогнозы прибыли, кросс-продажи, удержание.
- Строил дашборды и автоматизированную отчётность для продуктовых команд.

ОБРАЗОВАНИЕ

СВФУ им. М. К. Аммосова, Институт математики и информатики, «Прикладная информатика в экономике», бакалавр, 2024.

НАВЫКИ

Python, LLM, LangChain, LangGraph, RAG, Prompt Engineering, Qdrant, Векторные базы данных, PostgreSQL, SQL, SQLAlchemy, Docker, Flask, REST API, Git, Linux, NLP, Machine Learning, A/B тесты

ЯЗЫКИ

Русский — родной; Английский — B1 (Intermediate)

УСЛОВИЯ

Формат работы: полная удалёнка. Занятость: полная. Город: Якутск, Россия (готов работать в других таймзонах).