Контактна інформація

Шукач приховав свої особисті дані, але ви зможете надіслати йому повідомлення або запропонувати вакансію, якщо відкриєте контакти.

Досвід роботи

ML Engineer

з 02.2022 по 08.2026 (4 роки 7 місяців)
Freelance, Дистанційно (IT)

- Оптимізація збору даних: Розробка Kobo-форм для ключових процесів та структурування бази бенефіціарів і програмної діяльності.
- Налаштування Data Quality: Впровадження логіки валідації, очищення та дедублікації інформації.
- Розробляв та навчав decoder-only LLM з нуля для внутрішніх AI-продуктів.
- Автоматизував створення AI-агентiв через n8n, make, zapier
- Проводив експерименти з архітектурами трансформерів, схемами attention та токенізації.
- Реалізував fine-tuning моделей через LoRA / QLoRA зі значним зменшенням споживання GPU-памʼяті.
- Оптимізував distributed training у multi-GPU середовищі з використанням DDP та FSDP.
- Впровадив mixed precision training (BF16), скоротивши час навчання.
- Побудував ETL-пайплайни для обробки великих текстових корпусів (SQL, Parquet, PyArrow).
- Інтегрував LLM у RAG-застосунки та агентні системи (LangChain / LangGraph).
- Налаштував моніторинг якості відповідей і latency моделей у production.
- Презентував результати досліджень та рекомендації продуктовим командам.

ML Engineer

з 10.2018 по 02.2022 (3 роки 5 місяців)
InnovaTech, Київ (IT)

Проект: Аналіз та підготовка статистичних звітів
- Автоматизація звітності: Налаштування регулярної статистики та створення базових дашбордів/шаблонів звітів для MEAL і програмних команд.
- Налаштував збір та аналіз даних із баз даних NoSQL для відділу аналітики.
- створив дашборд за допомогою Plotly та Dash для моніторингу компанії KPI.
- оптимізував запити до бази даних, скоротивши час обробки на 30%.
Проект: Система розпізнавання осіб та товарів
- розробив систему на базі PyTorch для розпізнавання осіб та об`єктів у реальному часі.
- Впровадив YOLOV5 для детекції товарів на відео, досягнувши точності 92%.
- Створив та навчив кастомну модель для сегментації зображень за допомогою U-Net.
Проект: Аналіз відеопотоку та теплові карти
- Розробив модуль для аналізу руху об`єктів відеопотоку.
- Використовував OpenCV та numpy для створення теплових карток на основі відеоаналітики.
– Впровадив систему моніторингу у торговельній мережі, що дозволило скоротити черги на 25%.

Освіта

КНУ імені Тараса Шевченка

Факультет комп’ютерних наук та кібернетики, Київ
Вища, з 1999 по 2004 (5 років)

Знання і навички

• PostgreSQL
• TypeScript
• Docker
• Redis
• Grafana
• Amazon S3
• GraphQL
• Apache Kafka
• Vitest
• RabbitMQ
• ClickHouse
• MS Power BI
• EDA
• Data modeling
• Kobo

Додаткова інформація

Чехiя / Remote
Email: [відкрити контакти](див. вище в блоці «контактна інформація»)

https://github.com/makprgmax?tab=repositories
[відкрити контакти](див. вище в блоці «контактна інформація»)

Професійний профіль
Досвід роботи з Kobo / KoboToolbox
LLM Research Engineer з практичним досвідом розробки, навчання та оптимізації великих
мовних моделей (decoder-only transformers) з нуля та під продуктові потреби.
Спеціалізуюся на self-supervised learning, distributed training (DDP/FSDP),
fine-tuning методах (LoRA, QLoRA), а також інтеграції LLM у агентні системи та RAG-застосунки.
Маю сильний бекграунд у PyTorch, data engineering та побудові production-ready AI-рішень.

Ключові навички

Deep Learning & LLM
- Rag
- OpenAI
- Transformer-архітектури (decoder-only, GPT-like)
- Attention mechanism, causal masking, positional encoding
- Self-supervised learning: Next Token Prediction, Masked Language Modeling
- Fine-tuning: LoRA, QLoRA, adapters
- Токенізація: BPE, WordPiece, SentencePiece

Distributed Training
- Distributed Data Parallel (DDP)
- Fully Sharded Data Parallel (FSDP)
- Multi-GPU навчання, gradient accumulation
- Ray для паралельних експериментів

Data Engineering
- SQL (складні запити, window functions, temporal splits, оптимізація)
- PostgreSQL
- Pandas, PyArrow, Parquet
- ETL-пайплайни для великих датасетів (мільйони+ записів)
- Memory-mapped files, ефективне завантаження даних

LLM-застосунки та агентні системи
- Zappier
- LangChain, LangGraph
- Агентні архітектури: ReAct, tool use, function calling
- Retrieval-Augmented Generation (RAG)
- Prompt engineering, структуровані виходи (JSON / schemas)
- Observability та моніторинг LLM

Python & Software Engineering
- Чистий Python-код (typing, документація)
- JavaScript, Typescript
- Алгоритми та структури даних, Big O
- ООП: SOLID, композиція vs наслідування
- Багатопоточність та асинхронність (threading, multiprocessing, asyncio)
- Git, code review, CI/CD
- Debugging і профілювання (CPU/GPU, memory)
- Тестування: pytest (unit та integration)

Освіта
Донецкий национальный университет
Магістр з прикладної математики

Додатково
- Досвід роботи з production ML-системами
- Дослідницький підхід та культура експериментів
- Вміння пояснювати складні AI-рішення нетехнічним стейкхолдерам