Резюме: Разработчик AI-агентов

AI-разработчик с фокусом на RAG-системах

и прикладных AI-решениях. Работаю с

Python, LLM, RAG и Computer Vision:

проектирую retrieval-пайплайны,

интегрирую LLM, настраиваю поиск и

обработку данных. Быстро осваиваю новые

технологии, умею работать с

неопределённостью и доводить задачи до

измеримого результата. Имею 10+ лет

профессионального опыта в медицине, что

помогает глубоко понимать предметную

область и задачи MedTech.

Проектная деятельность:

08.2026

Pet-проект: AI-ассистент по клиническим рекомендациям

AI-разработчик

Задача: разработка AI-ассистента для врачей анестезиологов-

реаниматологов с поиском ответов по базе клинических рекомендаций

без генерации неподтвержденной информации.

Достижения:

подготовила базу знаний из 12 русскоязычных медицинских

документов (394 чанка), включая обработку медицинских

аббревиатур

реализовала каскадную RAG-архитектуру HyDE → FAISS → Cross-

Encoder Reranker → YandexGPT

достигла 100% ответов на основе документов на выбор0 выявленных

галлюцинаций на 60+ тестовых вопросах; HyDE + Reranker повысили

точность поиска на 60% относительно базового FAISS.

реализовала автоматизированное тестирование качества на 30

вопросах по 12 клиническим темам и развернула веб-приложение в

Streamlit Cloud

Стек: Python, LangChain, FAISS, sentence-transformers, Cross-Encoder,

YandexGPT, pypdf, BeautifulSoup, Streamlit

Проект: Мультимодальная система типологической диагностики

личности

МБОО САГ «Братские сердца

CV-разработчик

Задача: разработка исследовательского прототипа для анализа

невербальных поведенческих паттернов человека по видео в составе

мультимодальной системы диагностики

Достижения:

выполнила сбор и подготовку датасета для разработки и

тестирования системы

настроила CV-модуль для автоматического распознавания 12

невербальных паттернов: улыбок, морганий, движений бровей,

направления взгляда, наклонов и поворотов головы, жестов рук

адаптировала пайплайн обработки видео и подбирала параметры

детекции для повышения стабильности распознавания на разных

людях и в различных условиях съемки

реализовала визуализацию результатов анализа в виде

размеченного видео со счетчиками распознанных действий

Стек: Python, MediaPipe, Computer Vision, Google Colab