Сергей Малышев

• Улучшен алгоритм онлайн-стабилизации мобильного цифрового видео (DIS) за счет оптимизации углов Эйлера (Digital Video Stabilization and Rolling Shutter Correction using Gyroscopes by Stanford) и оптимизации B‑сплайнов (PyTorch).
• Уменьшены вычислительные затраты для алгоритма DIS с помощью библиотек C++ (Ceres Solver, Eigen, Autodiff, OptimLib).
• Создан конвейер разработки для удаленной компоновки, сборки и тестирования с помощью Docker и CLion.
• Адаптирован исходный код (Deep Online Fused Video Stabilization paper by Google) для мобильных смартфонов Huawei (PyTorch).

CNN, Deep Learning, Classification, Object Detection, Neural Architecture Search

PyTorch, Scikit-learn, SIFT/SURF, ResNet, DARTS, Hyperparameter Optimization

• Исследована и обучена модель ResNet для оптимизации гиперпараметров с помощью PyTorch на CIFAR10 и CIFAR100.

• Исследована и обучена модель нейронной сети «Differentiable NAS» как часть поиска нейронной архитектуры для улучшения оптимизации гиперпараметров.

• Разработан инструментарий для улучшения оптимизации гиперпараметров модели NN с помощью Scikit‑learn.

• Проведена оптимизация экономических затрат путем переноса системы компьютерного зрения для обработки видеопотока видеонаблюдения из облака на платформу Nvidia Jetson (CUDA, Python, ONNX, Docker) с настройками сетевого оборудования (Routing & Switching)

• Реализована подсистема обеспечения автономной работы (при потере подключения к Интернету) на платформе Nvidia Jetson путем сбора необходимых данных из главной базы данных в локальную СУБД (FastAPI & Celery & Redis & MySQL).

• Ускорено обучение модели глубокого обучения Paddle OCR SVTR для распознавания автомобильных номеров благодаря конвейеру обучения с MLOps (Prepare & Filter & Train & Report & Deploy).

• Развернуты локальные версии GitLab & js.wiki для CI/CD и документации по программному обеспечению (Docker).

• Пройден процесс повышения квалификации в рамках обработки больших данных (Scala & Hadoop, MR, Yarn, Spark, Hive).

• Исправлена генерация конфигураций для повышения стабильности создания реплик из файлов и RDBMS в HDFS (Hive & Parquet).

• Разработка ядра, решающего задачи ETL ‑ репликация данных из внешних и внутренних источников во внутреннее HDFS хранилище (Python, HDFS, MR & PySpark).

• Исследована новая система, позволяющая находить объекты, идентифицировать и характеризовать их. Вместе с разработанным и протестированным программным обеспечением система предоставляет пользователю эффективный и удобный инструмент контроля безопасности среды Умного города.

• Разработана интеллектуальная система выявления взаимосвязей объектов в рамках концепции «Умный город» с использованием PyTorch, Обнаружение объектов (YOLO), Отслеживание объектов (SORT), Распознавание атрибутов.

• Разработан инструментарий для предоставления информации о велосипедных поездках в Нью‑Йорке с помощью Spark DataFrame API (Pandas, GeoDataFrame, Choropleth, HeatMap).

• Создан конвейер для упрощения понимания тенденций Twitter, используя Hadoop, Pandas, PySpark, Spark Streaming, Tweepy, Kafka.

• Спроектирован и разработан веб‑сервис с анализом и кешированием поисковых запросов с помощью Redis для настройки ранжирования результатов поиска и снижения используемых вычислительных ресурсов с использованием Django, Docker, NGINX.

• Предоставлена ценная информация о тенденциях поиска путем создания панели инструментов Grafana со статистикой поиска и журналами из ClickHouse.

• Проведены лекции теоретической части к лабораторным работам в доступной форме для младших курсов по курсу «Схемотехника».

• Обеспечена поддержка при выполнении практических лабораторных заданий в рамках курса «Схемотехника», включающего настройку параметров схемы, проектирование точной топологии схемы и устранение неполадок в схемах с использованием программного обеспечения NI Multisim.

• Составлены методические рекомендации для студенческого хакатона по использованию PyTorch, подготовке данных, нейронным сетям, обнаружению объектов, конвейерам обучения и валидации ИИ моделей, с упором на использование систем искусственного интеллекта в области "Умного города".

• Реализована помощь студентам в проектировании и разработке собственных систем для решения реальных бизнес-задач и принято участие в помощи при подготовке презентаций студенческих итоговых проектов.

• Улучшен GoLang микросервис для продуктового поиска (текстовый и категорийный).

• Исследованы и созданы стратегии по снижению объема бот‑трафика в поиске маркетплейса (Python, ClickHouse, Pandas, Matplotlib).

• Предоставлена ценная информация о предсказании категорий поиска, создав панель инструментов Grafana (Prometheus QL).

• Ускорено получение аналитических данных дубликатов фильтров поиска маркетплейса для команды UX и уменьшен объем логов (Golang, gRPC, Kafka, PostgreSQL).

Algorithms and Data Structures, Advanced C99/C++11, Django, PostgreSQL, JS Frontend & Go Backend

• Разработана социальная сеть Eventum, чтобы помочь жителям городов назначать встречи на культурные мероприятия в стиле Tinder с помощью ES6 и GoLang.

• Реализован быстрый чат приложения в режиме реального времени по протоколу WebSocket как сервис в микросервисной архитектуре.

• Ускорен существующий конвейер CI/CD Jenkins и исправлены баги во благо работоспособности Jenkins jobs (DevOps).

• Спроектирован, разработан и оттестирован инструмент для анализа действий с пользовательским интерфейсом для On‑prem ПО (сбор, хранение и визуализация данных) (полный стек).

• Технологический стек: React.js, Node.JS, Codahale library, Cypress.io, K8s, Docker, InfluxDB, Grafana.