Глеб Рычков

Разработка и оптимизация ML/CV-решений:
-классификация (ResNet, EfficientNet),
-детекция (YOLO, Faster R-CNN),
-сегментация (U-Net, SAM),
-трекинг (DeepSORT,Bot-SORT, ByteTrack), 3D-реконструкция.
-keypoint detection и pose estimation

Полный цикл ML:
-сбор (ftp, rtsp, png/jpg, avi)
-разметка данных (CVAT, Roboflow, LabelStudio),
-обучение моделей (PyTorch, оптимизаторы: Adam, RMSprop),
-конвертация в (ONNX/TensorRT/OpenVINO и др. форматы моделей);
-достижение необходимого качества по метрикам (mAP, F1-score, Precision/Recall, IoU) и скорости инференса моделей (квантование, pruning, TensorRT) согласно требованиям заказчика по ТЗ, дообучение моделей, работа с ошибками (FN/TP оптимизация);
-деплой на NVIDIA Jetson (Docker, Kubernetes), CV Savant DeepStream

MLOps: управление артефактами (MLflow, Sonatype Nexus), логирование, мониторинг (Kibana), CI/CD (Azure DevOps).

Настройка Linux-инфраструктуры для CV:
-Установка и обновление драйверов NVIDIA CUDA, оптимизация версионной совместимости (CUDA 11.x/12.x, cuDNN).
-Автоматизация обновлений драйверов NVIDIA через Ansible
-Управление пакетами для ML-стеков: компиляция библиотек (OpenCV with CUDA, PyTorch), настройка виртуальных окружений.
-Адаптация репозиториев (apt, Nexus) под требования проектов CV.
-Деплой CV-моделей на GPU-серверах и edge-устройствах (Nvidia Jetson) с поддержкой CUDA-ускорения.

Работа с данными: анализ (pandas, numpy), профилирование, визуализация (Matplotlib), SQL-запросы.

Управление задачами: оценка трудозатрат (+/-10%), устранение инцидентов в production, Agile (Scrum/Kanban).

Взаимодействие с заказчиками: сбор требований, внедрение ПО на производственных объектах, документирование.

- Python 3.9 для анализа данных и машинного обучения (Jupiter notebook/Jupiter Lab, PyCharm, Data Spell, RStudio, Google Colab)

- Алгоритмы машинного обучения (Linear Regression, Logistic Regression, K-Nearest Neighbors, Decision Trees and Random Forests, Support Vector Machines, K-Means Clustering, Principal Component Analysis, Linear discriminant analysis, Bayesian classifier, Learning vector quantization, Boosting and AdaBoost)

- Квантовое машинное обучение, исследовательская работа на практических данных (вариационный квантовый классификатор при сохрании квантовой схемы, работа с библиотекой Qiskit)

- Работа с базами данных SQL

- Работа с нейронными сетями и оптимизация архитектуры сетей для решаемых задач (ResNet, VGG, FCN, NAS, Sequence-to-sequence, U-net, ASPP, R-CNN, SSD/YOLO(up to 5), GAN, 2D GAN, DCGAN, RNN, LSTM, RL, DQN, HN, VAE, DN)

- Работа с поиском лучших функций потерь для обучения сетей

- Работа с TensorRT, для оптимизации нейросетей, поканальная сепарабельная свертка, прунинг

- Работа с исследованием новых подходов к unsupervised learning, для очистки шумных данных

- Работа с deep learning и обучение нейронных сетей

- Работа с алгоритмы ансамблирования нейронных сетей

- Metric learning признаков для распознавания

- Работа с баесовскими нейронными сетями для распознавания

- Работа со сверточными нейронными сетями

- Работа с обучением нейронных сетей для распознавания объектов, трассировка лица, распознавание лица, сегментация изображений, predict образов согласно данных и анализа данных, подготовка данных для обучения (фото, видео, картинки)

- Работа с разметкой изображений (Roboflow, LabelImg), подготовка датасетов

- Работа с оптимизацией алгоритмов под данные

- Работа с CSV, XML, XLS, IMG, video stream

- Работа с инструментами визуализации plotly, matplotlib, seaborn

- Язык R и основных библиотек визуализации (ggplot2 – Tidyverse), а также с разработкой интерактивных дашбордов и приложений на R

- Разработка готовых аналитических отчетов для принятия бизнес решения исходя из анализа данных деятельности компаний или исследований конкретной задачи

- Деплоймент нейросетевых моделей

- Исследовательская деятельность в области машинного обучения и анализа данных компаний и их деятельности

- Разработка собственного проекта компьютерного зрения для научных целей

- Руководство командой разработчиков ML проекта «AiTZSM» охранная система компании

- Контроль исполнения поручений команды разработчиков ML отдела

- Формулировка и постановка задач перед командой проекта

- Работа с обучением нейронных сетей для обработки видеопотока периметра компании

- Сбор, систематизация и анализ данных с использованием разработанных алгоритмов, а также их улучшение

- Проверка качества и скорости работы моделей ML

- Работа с арендаторами компании по предоставлению доступа к работе охранной системы

- Работа с сжатием, ускорением и оптимизацией сетей для аппаратной архитектуры

- Работа использованием новых метрик для детекции/сегментации, распознавание объектов

- Работа со сбором и обработкой данных для обучения моделей

- Работа по предоставлению обнаруженных аномалий компаниям арендаторам находящиеся на (несанкционированный доступ, неопознанные объекты, нарушение периметра допустимой области, обнаружение краж и других несанкционированных проникновений)

- Разработка документации по предоставлению и сбору персональных данных

- Работа по приобретению и подбору необходимой для работы техники

- Модернизация и улучшение бизнес-процессов компании на уровне руководителя

- Переговоры с ЛПР по работе охранной системы

- Разработка плана-карты развития проекта

- Поддержание позитивного и продуктивного настроя команды разработчиков

Результаты работы:

- Удалось снизить на 85% прецеденты связанные с кражами и несанкционированных доступов на территорию компании, без присутствия человека.

- Уменьшили количество противоправных действий в целом на территории, без присутствия человека

- Улучшили контроль за территорией, что позволило в режиме реального времени детектировать все нарушения, без присутствия оператора

- Улучшили систему идентификации личностей посещения компании, что позволило уменьшить количество недопущенных лиц, не имеющих разрешение на посещение, благодаря двухфакторной проверки лица и карт доступа СКУД

- Улучшили систему обнаружения допустимых транспортных средств находящиеся на территории, и идентифицировать не допущенных

- Улучшили контроль и обработку данных внутри компании

- Сократили издержи на содержание лиц выполняющих обязанности охранников на 90%, что в месячном выражении тратилось более 200 тыс. руб.