Виталий Ерохин

• Создал пайплайн-классификатор + Docker + FastAPI для чата клиентской поддержки с помощью DeBerta, который ускорил среднее время ответа оператора на вопрос в 5 раз.
• Разработал пайплайн Intent MultiLabelClassification с помощью DeBerta для автоматического предсказания "трендов" пользователя. Это позволило ускорить процесс расчёта NPS в ~7 раз (было 7-14 мин, стало 1-2 мин)
• Использовал алгоритмы текстовых аугментаций с помощью LM и LLM моделей - Saiga\llama3, RuT5, RuBert, fasttext, Translation models. Подобные аугментации улучшили качество модели на редких классах на 10-15%

• -Дообучил большую языковую модель (LLM Llama 2) для реализации чат-бота тех.поддержки
• Fine-Tuning LLM моделей и Diffusion моделей для создания уникального контента для пользователя
• Разработал пайплайн для сервиса генерации субтитров к видео с помощью Speech2Text модели с выводом в prod
• Разработал пайплайн семантического поиска категорий товаров маркетплейсов основываясь на эмбеддингах SBERT\RUBERT, косинусной близости и FAISS
• Разработал пайплайн машинного обучения для предсказания температуры системы кондиционирования, что позволило существенно ускорить процессы измерения показаний в процессе использования системы
• С нуля разработал и преподавал в компании обучающие курсы Data Science
• Произвожу менторинг стажёров и Junior специалистов по DS в компании

---------------------------------------------------------------------------------------------

Сейчас нахожусь на подработке. Веду лекции по Data Science для студентов на курсе

• Разработал ИИ-ассистента технической поддержи, который сократил время ответа пользователю на 30%. ИИ-ассистент содержит в себе пайплайн из нескольких классификационных моделей RuBERT, которые выполняют первичную фильтрацию сообщений пользователя и автоматический шаблонный ответ для юзера.
• Создал гео-аналитический пайплайн для упрощения первичного анализа
• Разработал и дообучил BERT-модель для задачи sentence-pair classification, которая позволила решить проблему автоматического мэтчинга медицинских услуг
• Дообучил LLM модель Saiga-Mistral для задачи text autocompletion в помощь операторам технической поддержки. Это ускорило среднее время ответа на 30%.
• Разработал Speech2Text + NLP Pipeline для медицинских аудио-консультаций. На вход приходили записи аудио-консультаций врача и пациента. На выход получали некоторый критерий оценки врача о том "как хорошо" прошла консультация. Это позволило точечно влиять на качество отдельных аудио-консультаций

• Проверка и ревью практических работ студентов. В рамках проверки, я даю полезные советы студентам по тому, как можно улучшить их подходы.
• Консультирование студентов в корпоративном мессенджере (Пачка) по их техническим вопросам

• С помощью нейронной сети от Google - BERT и инструментов машинного обучения (PyTorch,CatBoost,LGBM,Sklearn) создал алгоритм определения токсичных комментариев с 95% точностью (f-score)
•  Разработал прототип модели машинного обучения для компании «Цифра», которая предсказывает коэффициент восстановления золота из золотосодержащей руды с минимальной ошибкой sMAPE - 8,7% за счёт использования модели CatBoost.
• Построил модель машинного обучения на основе CatBoost для предсказания количества заказов такси на следующий час. За счёт корректной предобработки данных и настройки модели повысил точность предсказаний в 2,5 раза по сравнению с константной математической моделью