Резюме: AI / LLM Engineer

AI / LLM Engineer с практическим опытом разработки решений на базе LLM, RAG и Prompt Engineering. Проектирую AI-ассистентов, RAG-системы, пайплайны обработки данных и системы оценки качества генерации, разрабатывая решения полного цикла — от исследования и проверки гипотез до MVP. Сочетаю навыки AI-разработки с глубокой экспертизой банковской предметной области, что позволяет создавать прикладные AI-решения для автоматизации бизнес-процессов и поддержки принятия решений

НАВЫКИ

Языки и Backend: Python, SQL, Bash/Shell, FastAPI (базовый уровень), REST API, asyncio, Git, Docker (базовый уровень)

LLM и Prompt Engineering: Prompt Engineering, Prompt Evaluation, Prompt Optimization, Structured Output, Few-shot Prompting, Chain-of-Thought, Self-Critique, Retrieval-Augmented Generation (RAG), Context Enrichment, AI Agents, векторные эмбеддинги, STT/TTS

Фреймворки и библиотеки: LangChain, FAISS, SentenceTransformers, pandas, requests, OpenAI SDK/API, transformers, tiktoken, Ollama, Whisper (OpenAI Whisper), pydantic, uvicorn, python-telegram-bot, aiogram, python-dotenv

LLM, модели и API: GPT-3.5, GPT-4, Gemini, LLaMA, Mistral (Ollama), Hugging Face Open Source Models, OpenAI Embeddings, OpenAI API, GigaChat API, YandexGPT API, Open-Meteo API

Векторные базы данных: FAISS

Инструменты разработки: Cursor IDE, VS Code, Google Colab, Google Drive

Программирование: ООП, декораторы, замыкания, асинхронное программирование

Предметная область: банковские переводы, комплаенс, 115-ФЗ, контроль качества клиентского сервиса

Проектная занятость

Проект: Нейро-экзаменатор для оценки и развития компетенций сотрудников

Март 2026 — сейчас (6 месяцев)

- разработал диагностический модуль из 30 вопросов для оценки 15 компетенций менеджеров по продажам.
- реализовал систему скоринга и маршрутизации обучения на основе decision
matrix 3×3 для формирования персонализированных треков.
- провел тестирование на 3 пользовательских профилях, подтвердив корректность маршрутизации (37 автоматических тестов).
- проанализировал архитектуру

Стек: Python, OpenAI API, JSON Schema, Git/GitHub, VS Code

Проект: Программное обеспечение для автоматизированного контроля валютно-обменных операций
Март 2026 — сейчас (6 месяцев)

- проанализировал архитектуру системы на базе YOLOv8 и MediaPipe,
- подготовил рекомендации по снижению задержек инференса
- предложил переход от хранения видео к метаданным и таймкодам, снизив нагрузку на инфраструктуру и риски хранения персональных данных
- подготовил предложения по улучшению интерфейса операторов и настроил локальное окружение для тестирования пайплайна

Стек: Python, YOLOv8, MediaPipe, OpenCV, Git, FastAPI

Т-Банк
4 года и 9 месяцев
Главный специалист сектора переводов
Декабрь 2021 — сейчас (4 года и 9 месяцев)

- сопровождал сложные банковские переводы, включая SWIFT, и консультировал по требованиям 115-ФЗ;
- обрабатывал ежедневно около 100 обращений по 7+ продуктовым направлениям;
- обучил 10+ сотрудников;
- применил банковскую экспертизу при разработке AI-решений;
- обеспечил высокое качество обслуживания (не более 1 замечания в год)

Администрация Муниципального Образования Городской округ Город Астрахань
5 лет и 9 месяцев
Ведущий инженер транспортного отдела
Май 2015 — Январь 2021 (5 лет и 9 месяцев)

- разработал предложения по оптимизации маршрутной сети общественного
транспорта (80+ автобусных и 2 троллейбусных маршрута);
- анализировал пассажиропотоки;
- разрабатывал техническую документацию и взаимодействовал с подрядными организациями


Проектная деятельность: AI / LLM Engineer

Pet-проект: «AI-система контроля качества клиентских обращений в банковской сфере на основе LLM с использованием RAG-подхода»

Задача: Разработка AI-системы для автоматической оценки качества клиентских обращений на основе LLM и RAG

- разработал RAG-пайплайн для автоматического анализа 100% клиентских
обращений вместо выборочной проверки (5–10%)
- построил векторную базу знаний из 97 страниц документации (382 семантических чанка)
- реализовал LLM-оценку по 3 критериям с итоговой шкалой 0–100
- провел сравнительное тестирование 3 LLM-моделей и протестировал
решение на 4 реальных банковских сценариях

Стек: Python, LangChain, FAISS, OpenAI API, OpenAI Embeddings, GPT-4o, GPT-4.1-mini, GPT-5.1, MarkdownHeaderTextSplitter, BeautifulSoup, python-docx


Pet-проект: «Transfer Examiner»

Задача: Разработка AI-системы оценки риска банковских переводов на базе LLM

- спроектировал гибридную AI-систему оценки риска банковских переводов, сочетающую эвристические правила и LLM
- адаптировал промпты под требования 115-ФЗ и реализовал механизм поддержки принятия решений при обработке неоднозначных случаев
- реализовал структурированный вывод результатов (Structured Output, JSON) для интеграции с внешними системами
- обеспечил обработку операций менее чем за 2 секунды и протестировал систему на 20+ типовых сценариях банковских переводов

Стек: Python, GigaChat API, REST API, Git, JSON

Pet-проект: «Prompt Engineering Evaluation System»

Задача: Разработка системы оценки эффективности различных техник Prompt
Engineering

- разработал RAG-пайплайн для повышения качества ответов LLM
- сравнил эффективность 6 техник Prompt Engineering и реализовал механизм Self-Critique для автоматической проверки ответов
- реализовал поиск по векторным представлениям с использованием Embeddings и Vector Search, снизив влияние галлюцинаций модели
- валидировал решение на 10+ вопросах к договору аренды объемом 5+ страниц

Стек: Python, LangChain, SentenceTransformers, OpenAI Embeddings, YandexGPT API, Scikit-learn