Эмиль Афлатунов
Контакты
Обо мне
Я Data Scientist и уже более 2-х лет работаю с системами искусственного интеллекта. Работал в команде из 5-ти человек, мы применяли Data Driven подход и работали по CRISP-DM. Могу реализовать полный цикл разработки от сбора данных до деплоя моделей в продакшен. Часто работал с задачами для продаж, и приучился объяснять менеджерам технические понятия понятным языком. А еще я привык выполнять задачи по Помодоро и на Канбан-доске.
Увлекаюсь Classic ML, ведь классика вечна. При этом начал расширять свои горизонты в сторону NLP и LLM. Стараюсь не отставать от трендов Data Science и слежу за новостями в ODS, DLS, Data Secrets и за исследованиями в arXiv и ReserarchGate. Недавно я ходил на ML-митап в Москве и теперь периодически посещаю подобные ивенты.
Контакты
• Telegram: https://t.me/emil_ds
• Tel: +7 (916) 582-02-21
• E-mail: urfuml22@gmail.com
Навыки
Опыт работы
- ТК ЭлектромонтажМоскваУченый по данным (Средний) • Data ScientistАвгуст 2022 — Ноябрь 2024 (2 года и 4 месяца)
- Стек: Python, Git, pandas, NumPy, PyTorch, ruRoBERTa, LightGBM, LogisticRegression, Seaborn, nmslib, Docker, FastAPI, Airflow, MLflow, PostgreSQL
- Участвовал в разработке системы матчинга товаров поставщиков и компании, которая разгрузила работу менеджеров, что привело к увеличению их среднемесячных продаж на 10%
- Обучил модели Bagging on LightGBMs на задаче классификации, что увеличило качество по Precision = 0.89 и PR-AUC = 0.93
- Использовал HNSW (nmslib) и Cosine Similarity для определения схожести эмбеддингов топ-10 соседей. Это позволило увеличить точность и скорость матчинга
- Извлек эмбеддинги из текста с помощью модели ruRoBERTa, которая увеличила качество по Precision@k = 0.89, 0.86, 0.84 для k = 1, 3, 5
- Создали систему предсказания времени доставки товаров, которая увеличила точность расчета ее стоимости. Это сократило непредвиденные расходы на логистику на 15%
- Обучил модель LightGBM с подбором гиперпараметров на Optuna, которая уменьшила ошибки RMSLE = 0.322 и MeAE = 8.3ч
- Выполнил предобработку данных, feature engineering, EDA и feature selection
- Разработали систему классификации товаров по категориям, которая увеличила скорость обработки новых позиций в 1.5 раза
- Решил задачу с двумя таргетами на baseline-модели LogisticRegression с применением bag-of-words, что увеличило качество по F1-score (macro) = 0.82 на взвешенных классах
- Стек: Python, Git, pandas, NumPy, PyTorch, ruRoBERTa, LightGBM, LogisticRegression, Seaborn, nmslib, Docker, FastAPI, Airflow, MLflow, PostgreSQL
Высшее образование
УрФУ им. Б.Н. Ельцина
Уральский Федеральный Университет имени первого президента России Б.Н. ЕльцинаЕкатеринбург • 4691 выпускникPадиотехнический институтСентябрь 2022 — Май 2024 (1 год и 8 месяцев)РГУ нефти и газа им. И. М. Губкина (НИУ)
Российский государственный университет нефти и газа имени И.М. ГубкинаМосква • 785 выпускниковАвтоматики и вычислительной техникиСентябрь 2017 — Май 2021 (3 года и 8 месяцев)
Дополнительное образование
Уральский Федеральный Университет
Руководитель проектов в области информационных технологийСентябрь 2023 — Май 2024 (8 месяцев)