РТ
Роман Т.
Мужчина, 28 лет
Россия, Санкт-Петербург, UTC+3
Ставка
5 394,8 Р/час
вкл. НДС 5% (200 Р)
Специалист доступен с 15 сентября 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 — B2
Главное о специалисте
Роман — Senior ML-разработчик из Санкт-Петербурга. Имеет высшее образование в области мехатроники и робототехники, а также технологий компьютерной визуализации (Университет ИТМО). Владеет английским языком на уровне B2.
Обладает опытом работы с широким спектром технологий, включая Python, Tensorflow, PyTorch, OpenCV, Django, Flask, Docker и другие. Участвовал в проектах в отраслях e-commerce & retail и lifestyle.
Имеет опыт разработки алгоритмов машинного обучения для решения различных задач:
- калибровка дисторсии камер (проект «Контроль размеров шин на производстве»);
- семантическая сегментация палеорусел на полихромных изображениях;
- полноволновая инверсия (Full-Waveform Inversion) с применением технологий машинного обучения;
- создание NLP-помощника для работы с намерениями (интентами);
- дефектоскопия поверхности металлизированной ленты, рулонной стали;
- контроль производственных процессов (бумагорезательный станок, нагревательные баки и др.);
- анализ игры в бильярд;
- контроль соблюдения правил вождения автомобиля.
Общая продолжительность работы на проектах — 3 года 7 месяцев.
Проекты
(3 года 8 месяцев)
Контроль размеров шин на производстве
Роль
ML-разработчик
Обязанности
● Реализация алгоритма калибровки дисторсии камер.
Команда: Менеджер проекта, Аналитик, Тестировщик, ML-разработчик, Backend-разработчик, Frontend-разработчик
Достижения
В результате доработки алгоритма калибровки дисторсии камер на производстве максимальная погрешность при определении ширины шин сократилась до 0,3 мм
Стек специалиста на проекте
Python, SciPy, PyTorch, OpenCV
Отрасль проекта
E-commerce & Retail
Период работы
Май 2025 - Июнь 2025
(2 месяца)
Семантическая сегментация палеорусел на полихромных изображениях с применением сверточных нейросетей
Роль
Data-scientist, ML-разработчик, обучение нейронной сети
Обязанности
● Подготовка датасета
● Подбор фреймворка и архитектуры
● Обучение нейронной сети
● Реализация логирования экспериментов
● Интеграция технического решения в проект
Достижения
● Модель продемонстрировала высокую точность сегментации объектов на полихромных изображениях, превышающую 70%
● Использование эффективных архитектур нейронных сетей и методов оптимизации позволил сократить потребление вычислительных ресурсов и ускорить процесс обработки изображений
● Создание системы логирования экспериментов с использованием платформы ClearML обеспечило прозрачность процесса разработки и облегчило отслеживание прогресса каждого этапа. Была реализована возможность повторного воспроизведения результатов и анализа различных конфигураций моделей.
● Разработанное техническое решение было успешно интегрировано в существующий стек технологий проекта
Стек специалиста на проекте
Python, PyTorch, ClearML, OpenCV, modal
Отрасль проекта
E-commerce & Retail
Период работы
Декабрь 2024 - Май 2025
(6 месяцев)
Решение задачи полноволновой инверсии (Full-Waveform Inversion) с применением технологий машинного обучения (классический ML, GANы, Сиамские нейросети)
Роль
Data-scientist, ML-разработчик, обучение нейронной сети
Обязанности
● Подготовка данных для обучения и тестирования;
● Поиск подходящих технических решений в области задачи;
● Проведение экспериментов
● Сбор метрик
● Технический отчет
Состав команды: Менеджер проекта, Аналитик, Тестировщик, ML-разработчик, Backend-разработчик, Frontend-разработчик
Достижения
● Проведенные эксперименты показали значительное ускорение решения задачи Full-Waveform Inversion благодаря применению методов глубокого обучения, включая GANs и сиамских сетей
● Использование нейросетей позволило значительно повысить качество реконструкций подземной структуры, снизить погрешности предсказания и улучшить интерпретационные возможности моделируемого геологического разреза.
● За счет внедрения методов машинного обучения существенно снизились требования к вычислительным ресурсам. Обучение моделей проводилось на стандартных GPU-ускорителях, позволяя уменьшить затраты на высокопроизводительные серверные кластеры.
● Был проведен ряд сравнительных тестов между классическим методом и предложенным ML-подходом. Результаты подтвердили преимущества последнего, продемонстрировав улучшенные показатели точности, скорости и экономичности вычислений.
Стек специалиста на проекте
Python, PyTorch, Feign
Отрасль проекта
E-commerce & Retail
Период работы
Октябрь 2024 - Декабрь 2024
(3 месяца)
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
Университет ИТМО
Специальность
Мехатроника и Робототехника
Завершение учебы
2019 г.
Высшее
Учебное заведение
Университет ИТМО
Специальность
Технологии компьютерной визуализации
Завершение учебы
2022 г.
