ЧС
ЧЕРНЯК С.
Мужчина, 23 года
Беларусь, Минск, UTC+3
Ставка
3 311,69 Р/час
НДС не облагается
Специалист доступен с 18 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
Data Scientist
Грейд
Навыки
Отрасли
Знание языков
Русский — C2
Английский — B2
Главное о специалисте
Специализируюсь на работе с Large Language Models (LLM), RAG-системами, семантическим поиском,
генерацией текстов и классическим ML.
Разрабатываю и внедряю end-to-end решения: от оптимизации inference-пайплайнов до интеграции моделей
в production. Работал в Agile-командах (2–10 человек), фокусируясь на стабильности продукта, раннем
обнаружении ошибок и улучшении производительности. Мои ценности ориентированы на решение задач
клиентов и бизнеса через технологическую экспертизу
Проекты
(3 года 6 месяцев)
Пиарошная
Роль
DATA SCIENSE
Обязанности
· Дообучил LLM (LLaMA-2, LLaMA-3.1, QWEN-2-7b, Mistral) под задачу генерации маркетинговых сооб-
щений по пользовательским брифам с помощью PEFT (LoRA, p-tuning). Внедрение оценки через G-Eval
(llm-as-judge) и фидбек от копирайтеров позволило довести качество генераций с 3.2 до 4.3; Используя
Accelerate, DeepSpeed, GPTQ, AWQ
· Обучил ранжировщик fred-T5. Модель дала прирост ROC-AUC с 0.61 до 0.91, что критически улучшило
релевантность финальных выдач LLM-сервиса.
· Развернул LLM-модели с использованием vLLM и ранжировщика fred-T5 в формате ONNX; обе модели
обёрнуты в Docker и обслуживаются через FastAPI в продакшене на A5000 (24GB).
QA-пар в ClickHouse, pipeline ML API с RAG Fusion и prompt-tuning (MAP@5 0.89, MRR 0.70).
Достижения
· Разработал RAG-систему для автоматизации работы операторов: фильт· Дообучил генеративне модели (LLaMA-3, Mistral, Mixtral) методами SFT и PEFT (p-tuning, LoRA), повысив
G-Eval с 3.1 до 3.8; система закрывает 70% запросов.рация и чанкинг чатов, хранение
Стек специалиста на проекте
Docker, FastAPI, PyTorch, transformers, Bert, langchain, llamaindex, userver
Отрасль проекта
AI & Robotics
Период работы
Июль 2023 - По настоящее время
(2 года 1 месяц)
Qlever
Роль
DATA SCIENSE
Обязанности
· Разработал систему матчинга названий товаров аптек с товарами в базе данных с применением SBERT,
Faiss и градиентного бустинга, сократив время работы копирайтеров в среднем на 16%.
· Предобучил SBERT-модель на Contrastive Learning (SimCSE Loss), увеличив Precision@k в среднем на 0.18;
применил PEFT-методы (LoRA, P-tuning).
· Обучил ансамбль моделей (XGBoost, CatBoost, LightGBM + Bagging) для классификации кандидатов на
матчинг, Precision и PR-AUC в среднем выросли на 0.14.
Достижения
· Настроил пайплайн поиска по эмбеддингам с помощью Faiss и Cosine Similarity, что позволило обрабатывать
запросы по базе из 19 млн элементов с latency < 0.5 сек.
· Развернул модели в продакшене с использованием ONNX, Docker и FastAPI; настроил логирование через
стек ELK и отслеживание моделей с помощью MLflow.
Стек специалиста на проекте
Docker, Python, Scikit-learn, XGBoost, CatBoost, Lightgbm, Bert, FAISS
Отрасль проекта
RnD
Период работы
Февраль 2022 - Июль 2023
(1 год 6 месяцев)
Формат работы
Тип занятости
Фулл-тайм
Формат работы
Удаленно
Командировки
Не готов
Релокация
Не готов
Готов работать на зарубежных проектах
Нет
Образование
Высшее
Учебное заведение
Белорусский государственный университет информатики и радиоэлектроники (БГУИР)
Специальность
Направление программы: Вычислительные машины, системы и сети
Завершение учебы
2021 г.