Игорь Матвеев

Обязанности:

- Проектировал и внедрял production-ready ML-сервисы для задач компьютерного зрения и LLM-ассистента (segmentation, detection, RAG);

- Разрабатывал и поддерживал end-to-end ML-пайплайны: сбор и разметка данных, обучение, валидация, деплой и мониторинг моделей;

- Обучал и оптимизировал модели (UNet, YOLOv9), улучшал качество и снижал latency инференса;

- Разрабатывал RAG-пайплайн для корпоративного ассистента (embeddings, vector search, retrieval, prompt engineering);

- Интегрировал ML-сервисы в микросервисную архитектуру (FastAPI), обеспечивал масштабируемость и устойчивость решений;

- Участвовал в построении потоковой обработки данных и обмена событиями (Kafka);

Достижения:

- Разработал и вывел в production систему видеоаналитики для ГОКа (Норникель): IoU 0.96, F1-score 0.92; снизил объем ручного мониторинга на 80% и уменьшил число пропущенных нарушений на 67%;

- Запустил корпоративный LLM-ассистент на базе RAG: сократил время поиска информации с ~10 минут до 5 секунд; достиг точности ответов 94%; автоматизировал обработку HR запросов;

- Оптимизировал ML-инференс и обработку данных, повысив стабильность сервисов и сокративвремя отклика (latency) в production;

Технологии:

Python, PyTorch, OpenCV, NumPy, FastAPI, Docker, Kafka, PostgreSQL, Linux, CVAT, Git, YOLOv9, UNet, LLM, RAG, LangChain, LlamaIndex, LLM, BGE-Reranker, RAG, Qdrant, embeddings, vector search, микросервисная архитектура;

Обязанности:

- Разрабатывал и тестировал ML-гипотезы для МФО-продукта;

- Проводил статистический анализ клиентской базы;

- Строил рекомендательные модели для персонализации витрины телеком продуктов для оператора Tele2;

Достижения:

- Обучил рекомендательную модель на базе SVD для формирования релевантной витрины и повысил CTR на 8-10%;

- Применял классические методы рекомендательных систем — collaborative filtering, item-based filtering и content-based подходы — для улучшения персонализации и роста конверсии в заявку на 7-12%;

- Улучшил качество рекомендаций, увеличив MAP@10 на 10–13% по результатам офлайн-оценки;

Технологии:

Python, PyTorch, Scikit-Learn, CatBoost, NumPy, FastAPI, Kafka, Docker, Git, recommender system, data labeling, model deployment, production inference;

Компания ДКП. Проект выполнен в рамках соглашения ГПХ;

Обязанности:

- Разрабатывал ML-решения для предиктивной аналитики состояния пациентов и анализа медицинских изображений гастростомы;

- Отвечал за архитектуру ML-модуля, согласование технических требований и координацию команды разработки;

Достижения:

- Спроектировал и реализовал архитектуру ML-системы на Python и PyTorch для анализа медицинских изображений и поддержки клинических решений в Android-приложении;

- Организовал работу кросс-функциональной команды из ML Engineer, UX/UI Designer и 2 врачей PhD, обеспечив подготовку дизайн-макета и прототипа в срок;

- Сформировал технический подход к предиктивной аналитике, заложив основу для дальнейшего обучения моделей, обработки данных и интеграции в production-контур;

Технологии:

Python, PyTorch, NumPy, OpenCV, Docker, CVAT, Git, ClickUp, Miro, Figma, computer vision, classification, data labeling, model deployment, production inference;

Проект выполнен в рамках соглашения ГПХ;

Обязанности:

- Координировал ML-проекты для студентов;

- Сопровождал команды от этапа идеи до деплоя моделей;

- Оценивал курсовые и дипломные работы студентов;

Достижения:

- Консультировал более 100 студентов по домашним, курсовым и дипломным работам в области ML, помогая внедрять модели на TensorFlow/PyTorch с точностью F1 от 90%;

Технологии:

Python, PyTorch, Docker, NumPy, OpenCV, Git, CNN, MLP, Vision Transformer, UNet, GAN, RNN/LSTM, neural networks, regression, classification

Обязанности:

- Проектировал и разрабатывал ML-сервисы для задач промышленной безопасности и динамического ценообразования: модели детекции, классификации и фильтрации данных;

- Подготавливал и разметил датасеты, обучал и валидировал модели, доводил решения до production-ready состояния;

- Разрабатывал end-to-end ML-пайплайны для обработки изображений и товарных данных;

- Интегрировал ML-решения в производственные системы через FastAPI, Kafka и Docker;

- Оптимизировал качество моделей и производительность инференса, снижая задержку и вычислительные затраты;

- Участвовал в работе распределённой команды и взаимодействовал с backend, DevOps и product-специалистами на всех этапах жизненного цикла решения;

Достижения:

- Построил двухкаскадную систему обнаружения возгораний на базе YOLOv3 и ViT-Base: достиг F1 0.81 и 0.89, сократил среднее время реакции на 4.2 секунды;

- Разработал классификатор для динамического ценообразования на 1.2 млн товарных позиций: отсеивал 98% неинформативных объектов, снизил вычислительные затраты на 37% и ускорил обработку товара с 210 мс до 45 мс;

- Внедрил ML-модели в production и интегрировал их с сервисной архитектурой, повысив стабильность и эффективность бизнес-процессов;

- Оптимизировал пайплайн обработки и инференса, сократив latency и увеличив throughput решения;

- Оптимизировал блок системы управления гидропривода элерона самолета за счет применения алгоритма динамического регрессора (DREM), сократив время инференса в 5 раз;

Технологии:

Python, PyTorch, Scikit-Learn, CatBoost, NumPy, OpenCV, Unreal Engine 5, YOLOv3, ViT-Base, FastAPI, Kafka, Docker, CVAT, MATLAB, Git, computer vision, classification, detection, data labeling, model deployment, production inference;

Обязанности:

- Проектировал и разрабатывал ML-решения для медицинской визуализации, включая GAN-архитектуры для реконструкции МР-изображений сердца;

- Подготавливал данные, обучал и валидировал модели, проводил экспериментальную оценку качества на клинических данных;

- Оптимизировал архитектуры и параметры обучения для повышения точности реконструкции и стабильности результатов;

- Встраивал решения в исследовательский pipeline и взаимодействовал с клиническими экспертами на этапе проверки гипотез;

Достижения:

- Улучшил PSNR реконструкции МРТ сердца на 2.1 dB относительно базовой CGAN;

- Сократил время постобработки исследований на 37% и число повторных сканирований на 22%;

- Обеспечил прикладную проверку решений на клинических данных и подготовку результатов для научной публикации;

Технологии:

Python, PyTorch, NumPy, OpenCV, MONAI, DICOM, Docker, MATLAB, CGAN, Git, medical imaging, MRI reconstruction, clinical data, model evaluation;

Обязанности:

- Проектировал и внедрял ML-модули в инженерное ПО и промышленный продукт;

- Разрабатывал вычислительные компоненты нейросетевых моделей для задач регрессии и классификации;

- Интегрировал ML-решения в производственный контур, обеспечивая их стабильную работу в составе прикладной системы;

- Участвовал в адаптации алгоритмов под требования промышленного применения и последующей валидации результатов;

- Сопровождал внедрение решения на этапах тестирования, настройки, интеграции и эксплуатации в продуктовой среде;

- Оптимизировал время отклика и воспроизводимость модели в составе инженерного ПО;

Достижения:

- Реализовал набор нейросетевых компонентов для задач регрессии и классификации в инженерном ПО Pradis;

- Сократил потребность в физических прототипах на 25%, обеспечив экономию около 4.5 млн руб. на пилотном проекте;

- Внедрил ML-компоненты в промышленный продукт, повысив точность инженерных расчётов и скорость принятия решений;

- Улучшил стабильность и воспроизводимость работы решения после интеграции в production-среду;

Технологии:

Python, С/С++, TensorFlow, NumPy, OpenCV, MATLAB, CNN, MLP, RNN/LSTM, Ansys, Git, neural networks, regression, classification, model integration, production deployment, industrial software, inference, testing;