Станіслав

Станіслав Сердюк
Python AI Engineer
Кременчук, Україна • [open contact info](look above in the "contact info" section) • Telegram: @TgMsg1

ПРО МЕНЕ
Проєктую та впроваджую production-ready LLM-системи як Python AI Engineer backend-розробки. До
переходу в IT — 10 років працював у сфері телекомунікацій та комп'ютерних мереж, що сформувало
системне мислення, навички діагностики і звичку доводити рішення до стабільної роботи. Впевнено
володію FastAPI, RAG-системами, побудовою AI-агентів на базі LangChain/LangGraph та інтеграцією LLM у
продуктові сервіси. Дотримуюся принципів Clean Architecture, SOLID, асинхронної розробки. Готовий
закрити позицію Python AI Engineer і одразу приносити цінність у LLM-orchestration та побудови надійних
AI-рішень. Постійно вдосконалюю знання у сфері штучного інтелекту, машинного навчання та сучасних
фреймворків.

КЛЮЧОВІ ДОСЯГНЕННЯ
• Створив сайт на базі FastAPI та PostgreSQL з захистом (XSS/CSRF, httpOnly, JWT, Redis Rate
Limiting).
• Розробив Stateful AI-агента на LangGraph (13 вузлів) із вбудованим механізмом безпечного
Tool Calling.
• Побудував Advanced RAG pipeline у Qdrant: Hybrid Search (Dense + BM25) + RRF злиття + Cross-
Encoder Reranking для усунення ІІ-галюцинацій.

КЛЮЧОВІ НАВИЧКИ
• Мови програмування: Python, C, SQL, Bash
• Backend: FastAPI, Pydantic, SQLAlchemy, asyncio, REST API
• Databases: PostgreSQL, Redis, SQLite
• ML / Data: PyTorch, NumPy, Pandas, Scikit-learn
• NLP / LLM: Hugging Face Transformers, Tokenizers, Datasets, Prompt Engineering, Function Calling,
Structured Output
• Transformer-архітектура: Self-Attention, Multi-Head Attention, Positional Encoding, Embeddings,
Tokenization
• RAG / Vector Search: RAG, FAISS, Chroma, Qdrant, Hybrid Search (dense + sparse), Cross-Encoder
Reranking
• AI Agents: LangChain, LangGraph, Tool Calling, Agentic workflows
• DevOps / Tools: Docker, Git, Linux

ДОСВІД РОБОТИ

Python / AI Engineer
• Спроєктував і розгорнув backend-сервіси на FastAPI (Pydantic, SQLAlchemy, asyncio), з інтеграцією
кількох LLM API.
 • Спроєктував архітектуру AI-агента за принципами Clean Architecture з повною ізоляцією бізнес-логіки
від ORM та web-фреймворку.
• Побудував на LangGraph детерміновану state-машину з маршрутизацією намірів, що безпечно
поєднує LLM із базою даних; реалізував два розмежовані режими: гостьовий (RAG-відповіді по базі
знань, без доступу до білінгу, історія чату зберігається в Redis з TTL 2 години) та авторизований
(перегляд балансу і транзакції, напр. зміна тарифу, через PostgreSQL).
• Впровадив Advanced RAG pipeline: hybrid search (dense + sparse vectors) у Qdrant з подальшим Cross-
Encoder reranking для підвищення точності відповідей.
• Забезпечив інтеграцію LLM через зовнішні API та самостійно розгорнув локальні open-source моделі.
• Контейнеризував сервіси у Docker і налаштував процес розгортання.

Інженер з комп'ютерних мереж та електроніки
• Налаштування мережевого обладнання, робота з TCP/IP, маршрутизацією, комутацією та
периферійним обладнанням.
• Технічна підтримка та аналіз причин відмов обладнання.
• Діагностика та ремонт несправностей електронних пристроїв.
• Розробляв модулі на C для вбудованих систем, що взаємодіяли з периферійним обладнанням.
Цей досвід сформував системний підхід до діагностики та надійності рішень, який зараз застосовую в розробці
production AI-сервісів.

ПРОЄКТИ

Telegram-бот для управління календарем і завданнями (pet-проєкт)
• Розробив LLM-based Telegram-бота, що дозволяє створювати, переносити та видаляти події й
завдання природною мовою «створи зустріч з Олексієм на п'ятницю о 19:00 в кафе», без ручного
заповнення форм.
• Реалізував Tool Calling (LangChain): LLM розпізнає намір користувача та викликає відповідну функцію
(create / update / delete) замість жорстко заданих команд-тригерів.
• Додав валідацію вхідних даних перед записом у SQLite, щоб виключити некоректні дати, часові
колізії та дублікати подій.
• Реалізував збереження контексту діалогу: якщо запит користувача «нагадай про подію за 30 хв», бот
розуміє яку подію треба нагадати і додає в БД.
• Стек: Python, LangChain, SQLite, Telegram Bot API.

Вивчення transformer-архітектури та CNN
• Обробка та підготовка даних — Pandas/NumPy; базові метрики оцінки якості — Scikit-learn
• Реалізував базові компоненти transformer (self-attention, positional encoding) на PyTorch/NumPy —
для практичного розуміння внутрішньої механіки моделі
• Дообучив (fine-tuned) CNN-модель на базі ResNet для задачі класифікації зображень (PyTorch).

ОСВІТА
2013 — Інженер телекомунікацій, ХНУРЕ

МОВИ
• Українська — рідна
• Англійська — рівень читання технічної документації