Контактна інформація

Шукач вказав телефон та LinkedIn.

Отримати контакти цього кандидата можна на сторінці https://www.work.ua/resumes/15500767/

Досвід роботи

Oracle engineer

з 06.2017 по нині (8 років 8 місяців)
Enterprise ERP Projects (Oracle), Київ (IT)

Senior Production Engineer (Oracle / ERP - Systems)
8+ років комерційного досвіду

• Робота безпосередньо з production-базами даних (Oracle) у критичних ERP-системах.
• Розслідування та усунення інцидентів у доменах замовлень, логістики та управління запасами.
• Аналіз складної бізнес-логіки, локалізація першопричин проблем у даних та коді.
• Робота з великими обсягами структурованих даних, аналітичними вибірками та звітністю.
• Оптимізація SQL / PL/SQL з урахуванням обмежень production-середовища.
• Переклад бізнес-проблем та інцидентів у технічні рішення.

Освіта

Професійна підготовка

Розробка ПЗ, Київ
Середня спеціальна, з 2011 по 2014 (3 роки)

Інженерне мислення сформоване з раннього віку в середовищі практикуючих інженерів.
Рання орієнтація на ІТ та системне програмування.

Комп’ютерна академія «ШАГ» (професійна ІТ-підготовка):
– алгоритмічне мислення
– робота з кодом і складними домашніми завданнями
– навчання через практику та самостійне розв’язання нетривіальних задач

Подальший розвиток — через багаторічну роботу у production-середовищі
та системну самоосвіту.

Знання і навички

• Local LLMs (Ollama)
• AI API
• Docker
• Git
• Arch Linux
• Manjaro
• VS Code
• RAG/GraphRAG (basic)
• MCP servers
• Neo4j (basic)
• Oracle Database
• SQL
• PL/SQL
• Аналітичні вибірки
• Бізнес-логіка
• Інтеграції
• Python (базово)

Знання мов

Англійська — середній

Додаткова інформація

* Professional Summary

AI / LLM Engineer (Internal Tools, Integration) | Production Background

- 8+ років комерційного досвіду в Oracle/PL/SQL та супроводі критичних ERP-бізнес-процесів у production, з фокусом на стабільність, коректність даних і швидке відновлення сервісу.
- Переношу production-підхід у AI-напрям: інтеграція LLM у внутрішні інструменти та інженерні процеси (code/data workflows).
- Практика з локальними LLM (inference), AI API та базовими RAG/GraphRAG сценаріями; розумію обмеження якості, контексту і вартості.
- Сильний профіль у складних системах: інциденти, бізнес-логіка, інтеграції, обмеження середовища — те, що визначає успіх LLM-рішень в enterprise.

AI/LLM практика (hands-on / prototyping)

- Локальний inference LLM (Ollama): запуск і тестування моделей, квантизації, оцінка продуктивності та обмежень по VRAM.
- AI API: використання LLM як інженерного інструменту для аналізу коду/даних, генерації SQL/скриптів, підготовки технічних рішень і документації.
- RAG / GraphRAG: ознайомлення з підходами та компонентами (retrieval, chunking, embeddings, vector store); прототипування базових сценаріїв на невеликих наборах даних.
- Neo4j / graph concepts: базове знайомство з графовими підходами для опису залежностей (код/об’єкти/сутності); напрям у вивченні — графова памʼять для технічних артефактів.
- MCP servers (filesystem/git): тестування підходу до контекстного доступу LLM до локальних файлів та репозиторію (IDE/workflow level).
- Open-source практики: вивчаю підходи GraphRAG для індексації репозиторіїв на прикладі проєкту code-graph-rag (read/run/modify level).
https://github.com/vitali87/code-graph-rag

Що шукаю

- Роль, де AI/LLM є частиною робочого процесу або продукту (integration / internal tools).
- Інженерні задачі зі складними системами та даними; відповідальність за результат.
- Середовище, де цінується продуктивність і сучасні інструменти автоматизації.