СЛ
Снежана Л.
Женщина, 22 года
Россия, Челябинск, UTC+5
Ставка
4 155,84 Р/час
НДС не облагается
Специалист доступен с 1 августа 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
Английский — C1
Главное о специалисте
Разрабатываю системы, использующие методы и модели классического и глубокого машинного обучения в различных предметных областях. Стремлюсь подходить к каждой задаче комплексно, детально изучая все уже существующие технологии и анализируя их преимущества и недостатки. Моя цель – помочь с решением проблем в области прогнозирования, классификации и анализа текстовой и аудио информации и развивать прикладной ML/AI в разных сферах. Уверенно разрабатываю на Python в средах VS Code и JupyterLab с использованием Poetry как основного инструмента изоляции окружений. Работаю с анализом данных и их визуализацией с помощью библиотек Pandas, Polars, Numpy, MatplotLib, Plotly. Есть опыт работы с LLM и мультимодальными моделями глубокого обучения, а также в построении инфраструктуры ML-проектов и в MLOps. Постоянно совершенствую свои навыки, изучая новости ML/AI-инфопространства, читая профессиональную литературу и публикуя статьи.
Проекты
(1 год 5 месяцев)
Разработка корпоративного LLM-помощника для работы с документацией компании
Роль
ML-инженер
Обязанности
Разработка поисковой системы по документации компании на основе архитектуры Retrieval-Augmented Generation (RAG)
Результаты работ:
- Провела исследование наилучших практик, применяющихся в разработке RAG-систем.
- Построила базовый пайплайн RAG-системы с помощью фреймворков Langchain, Ollama и LLM серии Qwen3.
- Реализовала API-сервис для работы с базовым RAG-пайплайном с помощью фреймворка FastAPI.
- Изучила и реализовала деление на чанки и векторизацию как этапы препроцессинга данных в RAG-системе.
- Изучила и реализовала сохранение векторных данных в базу, поиск по базе и извлечение наиболее подходящих результатов поиска с помощью векторной базы данных Qdrant.
- Развернула в изолированном локальном контуре систему, включающую API-сервис, Ollama и базу данных Qdrant.
Стек специалиста на проекте
Docker, Python, Postman, Kubernetes, GitHub, FastAPI, Clang, Jupyter, SmartGit, Workflow, Docker Compose, Poetry, Dev, Qdrant, containerD, transformers, Framework, langchain, Lens, llm, ruff, qwen3, ollama
Отрасль проекта
HRTech
Период работы
Май 2025 - По настоящее время
(4 месяца)
R&D по системам автоматического распознавания речи (ASR)
Роль
ML-инженер
Обязанности
Исследования в рамках разработки системы перевода речи в текст и автоматического обнаружения ошибок для определения уровня соответствия переговоров внутреннему регламенту.
Результаты работ:
- Провела сравнение различных подходов к автоматическому распознаванию речи.
- Проанализировала существующие способы оценки качества ASR и на их основе разработала концепцию смешанной метрики.
- Исследовала существующие модели ASR.
- Изучала методы распознавания именованных сущностей и их применение в задачах ASR.
- Разработала пайплайн распознавания шаблонов в тексте в соответствии с заданными протоколами.
- Провела сравнительный анализ различных способов улучшения качества звука, включая работу с частотами, алгоритмические подходы и модели глубокого обучения.
- Проводила дообучение модели Whisper c помощью адаптера LoRA с целью повышения качества работы модели на данных, специфичных предметной области: на существующих аудиоданных с применением ресемплирования, а также на искусственно сгенерированном датасете с помощью моделей перевода текста в речь.
Стек специалиста на проекте
Docker, Python, GitHub, Numpy, PyTorch, Jupyter, SmartGit, Python2, Docker Compose, Poetry, Whisper, transformers, Нейронные сети, SpaCy, vosk, рекурентные
Отрасль проекта
Logistics & Transport
Период работы
Февраль 2025 - Май 2025
(4 месяца)
Умный аксессуар
Роль
ML-инженер
Обязанности
Разработка ПО для аксессуара, которое собирает данные об активности человека.
Результат работы:
- Разработала алгоритм постпроцессинга для ML-модели предсказания активности человека.
- Провела исследование о влиянии положения аксессуара на предсказание активности человека.
- Разработала алгоритм конвертации сигналов с датчиков аксессуара для унификации сигнала с 4-х возможных вариантов его положения.
- Провела исследование по поиску наилучшего способа фильтрации сигнала с оптодатчика.
- Разработала алгоритм для подсчета частоты ударов сердца в минуту (BPM) на основе сигналов с датчиков.
- Разработала алгоритм для определения того, надет ли аксессуар, на основе сигналов с датчиков.
- Разработала логику извлечения фич из сигналов датчиков.
- Обучила ML-модель для предсказания BPM на основе фич, полученных из сигналов с датчиков.
- Обучила ML-модель для определения того, надет ли аксессуар, на основе фич, полученных из сигналов с их датчиков.
- Разработала пайплайн и настроила инфраструктуру для обучения и тестирования ML-моделей.
- Разработала метрику для оценки точности предсказания BPM.
Стек специалиста на проекте
Python, GitLab, Pandas, SciPy, Numpy, Matplotlib, Sklearn, Jupyter, SmartGit, Python2, Plotly, библиотеки, -
Отрасль проекта
IoT
Период работы
Май 2024 - Ноябрь 2024
(7 месяцев)
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
Южно-Уральский государственный университет
Специальность
09.03.04 Программная инженерия
Завершение учебы
2024 г.
