Альберт Намаев

Работаю над интернет-маркетплейсом одежды брендов, не представленных в России. Разрабатываем собственную CRM и E-commerce системы.

Во всех своих проектах использую Pydantic для валидации данных и использую аннотации в коде, внедрил mypy в pre-commit хук как общую практику.

Все сервисы контейнеризированы через Docker и Docker compose.

Обязанности и достижения:

• Разработал асинхронные парсеры, успешно обходящие все блокировки. Парсеры контролирует отдельный самописный сервис с API для их управления и сбора статистики. До меня были парсеры, запускающиеся по cron, мне удалось значительно сократить время парсинга, в среднем с 1 часа до 5 минут, сделать их отказоустойчивыми и добавить больший контроль над их поведением.
  

  В одном из магазинов была задача удалять логотипы с картинок, написал под это скрипт, использующий OpenCV. Скрипт работает быстро, логотипы замазываются без артефактов, использовал многопоточность (т.к. OpenCV релизит GIL), для для нахождения сразу нескольких паттернов логотипов в одном изображении. (gist)

• После каждого запуска парсеры присылают отчёт в Telegram.

• Переписываю бэкенд основого сервиса с OpenCart на FastAPI. Участвую в разработке новой архитектуры и БД. Пишу миграции на Alembic, переходим из чистого SQL в SQLalchemy (SQLModel)

• Пока не перешли на новую версию, исправляю ошибки в легаси коде бэкэнда на PHP. Изучил синтаксис PHP, значительно оптимизировал какую-то часть OpenCart, уменьшил время загрузки одной страницы в админке с 20 секунд до 0.1, убрал множество n+1 запросов в пользу более эффективных, и улучшил алгоритм поиска товаров на сайте, уменьшил общее время отклика сайта в 2 раза. Внедрил кеширование с использованием Memcached.

Команда: 3 backend/devops developers, 3 frontend developers

В одиночку, с нуля, разработал "Флиппинг бота"- сервис, помогающий в поиске квартир для флиппинга

•  Разработал парсеры объявлений о продаже недвижимости с Авито, Циан, Домклик. Удалось обойти все антибот системы и получать максимально подробную информацию. Данные были приведены в один вид, хранились как документы в MongoDB.
•  Подготавливал данные для обучения, нормализовывал, кодировал фичи. Использовал для этого pandas и sklearn.
•  Эспериментируя, была выбрана библотека XGBoost и с её помощью построена модель предсказывания цены квартиры.
  
• Разработал телеграм бота на aiogram, который уведомляет о квартирах с ценой ниже предсказанной. Пользователь мог выставить фильтры, на какие квартиры он будет получать уведомления. Фильтры включали: город, квадратуру, кол-во комнат, этаж, время до метро, район, год постройки, ROI. Уведомления приходили в реальном времени, сразу же после нахождения "нужной" квартиры.
  

Пайплайн выглядел следующим образом:

Спаршена новая квартира -> Идёт предсказание рыночной цены -> Уведомление всех юзеров в тг, у которых выбраны соответствующие фильтры

Команда: 1 fullstack/devops developer

• Написание простых quality-of-life скриптов для упрощения задач на bash и python
  
• Написание докерфайлов
  
• Исправление мелких багов
  
• Оптимизация sql запросов
• Написание Make файлов

Команда: 7 backend developers, 2 frontend developers, 1 devops engineer