МЛ
Максим Л.
Мужчина, 20 лет
Россия, Москва, UTC+3
Ставка
1 571,43 Р/час
НДС не облагается
Специалист доступен с 3 июля 2025 г.
Добавьте подходящих специалистов в список и оформите заявку для предварительного бронирования времени специалистов. После оформления заявки ваш персональный менеджер организует прохождение всех необходимых проверок с вами и каждым кандидатом из заявки. Специалист привлекается к проекту только после окончательного подтверждения его выхода с вашей стороны.
Подробнее
О специалисте
Специализация
ML разработчик
Грейд
Навыки
Отрасли
Знание языков
Русский — C2
Английский — B2
Главное о специалисте
Максим — ML-разработчик уровня Junior+ с опытом работы на проектах в сферах AI & Robotics и E-commerce & Retail.
На проекте по разработке системы алготрейдинга на основе новостного анализа выполнил следующие задачи:
- разработал прототип системы для алготрейдинга акциями;
- реализовал парсинг новостей из Telegram-каналов;
- выполнил предобработку и семантическую классификацию новостей;
- спроектировал и обучил модель прогнозирования;
- настроил автоматическую отправку уведомлений о торговых сигналах в Telegram.
В роли ML engineer в проекте Mars работал над следующими задачами:
- разработка, обучение, валидация и развёртывание моделей машинного обучения;
- проектирование и реализация пайплайнов (MLOps) для автоматизации процессов;
- проведение A/B-тестирований;
- анализ данных и проверка статистической значимости результатов;
- интеграция разработанных моделей в существующую IT-инфраструктуру компании;
- взаимодействие с кросс-функциональными командами и представление результатов работы бизнес-стейкхолдерам.
Проекты
(1 год 3 месяца)
Фриланс, Проект: Система алготрейдинга на основе новостного анализа
Роль
Разработчик
Обязанности
* Разработал прототип системы для алготрейдинга акциями, прогнозирующей краткосрочные колебания цен на основе анализа новостного фона и временных рядов (Python, Catboost, PyTorch, HuggingFace, Т-Банк Инвестиции API).
* Реализовал парсинг новостей из Telegram-каналов с использованием библиотеки Telethon.
* Выполнил предобработку и семантическую классификацию новостей с применением предобученных моделей (Giga-Embeddings-instruct, YandexGPT-5-Lite-8B-pretrain, rubert-tiny2), а также сформировал новостные индексы для использования в модели.
* Спроектировал и обучил модель прогнозирования (Catboost, Triple Barrier) на основе новостных индексов и исторических данных, получаемых через Тинькофф Инвестиции API.
* Реализовал функциональность интерпретации прогнозов модели с использованием библиотеки SHAP - обеспечивает прозрачность принимаемых решений.
* Настроил автоматическую отправку уведомлений о торговых сигналах в Telegram (python-telegram-bot).
* Развернул систему на сервере с использованием Linux, Docker и PM2, обеспечив её отказоустойчивость и масштабируемость.
Достижения
Провел бэктестинг системы на исторических данных, который продемонстрировал среднюю месячную доходность 12% при консервативной стратегии управления рисками.
Стек специалиста на проекте
Docker, API, Python, Linux, Pm2, PyTorch, CatBoost, shap, HuggingFace, llm, pytelegrambot
Отрасль проекта
AI & Robotics
Период работы
Декабрь 2024 - Февраль 2025
(3 месяца)
Mars
Роль
ML engineer
Обязанности
Обязанности и задачи:
* Разработка, обучение, валидация и развертывание моделей машинного обучения (ML) для решения различных бизнес-задач (прогнозирование оттока клиентов, прогнозирование временных рядов, выявление аномалий, классификация текста).
* Проектирование и реализация пайплайнов (MLOps) для автоматизации процессов предобработки данных, обучения, оценки и развертывания моделей.
* Проведение A/B-тестирований для оценки эффективности внедряемых решений.
* Анализ данных и проверка статистической значимости результатов.
* Интеграция разработанных моделей в существующую IT-инфраструктуру компании.
* Взаимодействие с кросс-функциональными командами и представление результатов работы бизнес-стейкхолдерам.
* Поддержка и развитие существующих ML-решений.
* Применение современных ML-библиотек и инструментов: CatBoost, Docker, Kubernetes, Prophet, линейная регрессия, EfficientNet, Albumentations, PyTorch, Hugging Face, MLflow, Airflow.
Команда проекта:
Я работал в роли ML Engineer в тесном взаимодействии с командой аналитиков данных, инженеров данных, разработчиков, а также с представителями бизнес-подразделений (продажи).
Достижения
* Сокращение потерь дистрибуции: Разработал и успешно внедрил модель, которая предсказывает вероятность ухода торговых точек. Благодаря этому мы смогли заранее принимать меры и снизить потери дистрибуции на 7%. Модель работает надежно и стабильно в промышленной среде Kubernetes.
* Точное прогнозирование бизнес-метрик: Создал систему, которая прогнозирует ключевые показатели бизнеса с использованием различных методов (временные ряды, машинное обучение). Это помогает компании лучше планировать свою деятельность.
* Улучшение качества выкладки продукции на 20%: Разработал систему компьютерного зрения, которая анализирует фотографии выкладки товаров и находит проблемы. Дообучение нейросети EfficientNet на фотографиях выкладки продукции Mars и применение продвинутых техник аугментации данных (Albumentations) позволили выявлять недостатки и повысить качество выкладки на 20%, что положительно повлияло на продажи.
* Автоматизация разметки данных: Внедрил BERT-модель, которая автоматически классифицирует текстовую информацию. Это ускорило процесс обработки данных и повысило их качество для аналитики. Модель используется в процессах ETL для обогащения данных.
* Оптимизация стратегий целеполагания (A/B-тестирование): Проводил эксперименты (A/B-тесты) с различными подходами к постановке целей для торговых точек. С помощью статистических методов оценивал результаты и определял наиболее эффективные стратегии.
* Ускорение и повышение надежности разработки ML: Создал и поддерживал автоматизированные пайплайны (MLOps) для всех этапов работы с моделями машинного обучения. Это ускорило процесс разработки, сделало его более надежным и воспроизводимым. Пайплайны включают в себя автоматическое тестирование моделей.
* Эффективное взаимодействие и представление результатов: Регулярно общался с коллегами из разных отделов и представлял результаты своей работы руководству, обеспечивая прозрачность и соответствие ML-решений потребностям бизнеса.
Стек специалиста на проекте
Docker, API, Kubernetes, Machine learning, PyTorch, Apache AirFlow, CatBoost, MLflow, MLops, HuggingFace, Validation, albumentations, prophet
Отрасль проекта
E-commerce & Retail
Период работы
Декабрь 2023 - Декабрь 2024
(1 год 1 месяц)
Формат работы
Тип занятости
Фулл-тайм
Формат работы
Удаленно
Командировки
Не готов
Релокация
Не готов
Готов работать на зарубежных проектах
Да
Образование
Высшее
Учебное заведение
Президентская Академия
Специальность
Цифровая экономика
Завершение учебы
2026 г.
