Максим Ш. — ML Engineer

Сервис персонализированного обучения (Graph-RAG) - Разработал production-ready Graph RAG-пайплайн на Neo4j и LangChain с гибридным поиском (ChromaDB + BM25) и локальным инференсом LLM (Ollama). - Внедрил пайплайн предобработки PDF (MinerU, VLM) с layout-aware чанкованием, снизив долю ошибок извлечения таблиц и формул. - Оценил качество пайплайна через DeepEval и Arize Phoenix: улучшил Answer Relevancy (0.58 → 0.72), Contextual Precision (0.78 → 0.91) и снизил долю fail-кейсов structured-output до < 3%. Карьерно – образовательная рекомендательная система (NER & Graph Clustering) - Реализовал NER-модуль (XLM-R) для экстракции навыков и построил граф «вакансия–навык» с кластеризацией Louvain для формирования профилей должностей. - Повысил точность классификации вакансий с 0.32 до 0.88, нивелировав "семантический шум"текстов. - Увеличил релевантность рекомендаций (Hit Rate@3) с 0.24 до 0.72 за счет агрегированных MLпрофилей.

- Корпоративная RAG-система (Confluence): Спроектировал AI-ассистента для внутренней базы знаний. Провел бенчмаркинг open-source парсеров PDF, тестирование различных стратегий чанкования и различных векторных хранилищ (Milvus, Qdrant, Chroma). - LLM-анализ One-to-One интервью: Спроектировал end-to-end пайплайн транскрибации (Whisper) и LLM-саммаризации диалогов. Обернул решение в Streamlit, сократив временные затраты руководителей на обработку интервью на 70%. - Корпоративный RecSys: Разработал прототип рекомендательной системы на основе поведенческих паттернов пользователей (FastAPI, PostgreSQL). Провел EDA, собрал бизнес-требования и улучшил метрику NDCG@5 на 18% по сравнению с базовым полнотекстовым поиском

Разработал предиктивную модель вероятности дефолта (PD) корпоративных клиентов. Применил SMOTE для устранения сильного дисбаланса классов и Isotonic Regression для финальной калибровки вероятностей. - Улучшил дискриминационную способность модели, увеличив коэффициент Gini на 15% (с 0.61 до 0.76). - Спроектировал и реализовал алгоритм стресс-тестирования портфеля на макроэкономических сценариях (шок ВВП, скачки инфляции), автоматически оценивая потенциальный ущерб в денежном эквиваленте.