• Файл

Ілля

AI solutions developer, automation engineer

Вік:
25 років
Місто проживання:
Дніпро
Готовий працювати:
Дистанційно, Дніпро, Львів

Контактна інформація

Шукач вказав: ТелефонМесенджер

Прізвище, контакти та світлина доступні тільки для зареєстрованих роботодавців. Щоб отримати доступ до особистих даних кандидатів, увійдіть як роботодавець або зареєструйтеся.

Завантажений файл

Файл містить ще 1 сторінку

Версія для швидкого перегляду

Це резюме розміщено у вигляді файлу. Ця версія для швидкого перегляду може бути гіршою за оригінал резюме.

АКУЛОВ ІЛЛЯ ВЛАДИСЛАВОВИЧ
AI SOLUTIONS DEVELOPER / AUTOMATION ENGINEER
Україна, Дніпро | [відкрити контакти](див. вище в блоці «контактна інформація») | [відкрити контакти](див. вище в блоці «контактна інформація»)
GitHub: github.com/Bard368 | Telegram: t.me/babard7

ПРОФІЛЬ

Маю понад два роки досвіду в управлінні ІТ-проєктами, що дозволяє мені ефективно збирати
бізнес-вимоги та проєктувати архітектуру рішень. Останній рік активно розробляю комерційні
пайплайни та мульти-агентні системи на фрилансі. Спеціалізуюся на створенні автономних рішень
для В2B (інтелектуальні системи продажу, корпоративні RAG-бази знань). Не обмежуюсь готовими
low-code рішеннями: комбіную n8n та FastAPI для швидкого запуску, але вільно пишу архітектуру
на чистому Python, коли цього вимагає продуктивність, масштабованість або нестандартна бізнес-
логіка. Вмію працювати самостійно та закривати задачі «під ключ».

ТЕХНІЧНИЙ СТЕК

Мови та Фреймворки: Python, FastAPI, LangChain, Pandas, NumPy
Штучний інтелект (AI/LLM): DeepSeek API, Gemini API, OpenAI, Llama 3.1, Whisper, Dify,
RAG-архітектури, Мachine Learning (XGBoost)
Бази даних та Інфраструктура: PostgreSQL (Neon Serverless, TimescaleDB, pgvector), Docker,
Traefik, WireGuard
Автоматизація: n8n
Інтеграції (АРІ): Telegram API, Kommo CRM, Trello, Twilio, Google Workspace,
Stripe, DocuSeal, 1C oData, Zoom API

ДОСВІД РОБОТИ

Freelance AI Engineer / Automation Engineer Середина 2025 — дотепер
Фриланс
• Усі комерційні пайплайни, мульти-агентні системи та інші розробки, перелічені нижче в розділі
«ПРОЄКТИ», були самостійно та успішно реалізовані мною на фрилансі.
• Забезпечую повний цикл створення автономних рішень для В2B «під ключ», проєктування
архітектури та інтеграцію ШІ-інструментів.

Project Manager 2024 — 2026
1win (Tech Product Company)
• Керував розробкою ІТ-продуктів у висококонкурентній В2С-ніші. Відповідав за формування
технічних завдань, розбивку складних проєктів на етапи та контроль термінів релізу.
• Керував запуском маркетингових ініціатив у соцмережах та формував стратегію розширення на
міжнародних ринках (Латинська Америка).
• Цей бекграунд дозволяє мені ефективно працювати як у ролі самостійного інженера-
архітектора на фрилансі, так і у складі великих корпоративних команд, чітко розуміючи бізнес-
задачі.

Junior QA Engineer 2023 — 2024
TapMedia
• Здійснював мануальне тестування інтерфейсів та логіки роботи веб і мобільних платформ.
• Локалізовував дефекти, заводив репорти в системі Jira та взаємодіяв з програмістами для їх
швидкого усунення.
• Розробляв тестову документацію (чек-листи, тест-кейси), покращуючи загальну якість продукту
перед виходом у продакшн.

Офіс-менеджер 2021 — 2023
Рем Строй Комфорт
• Забезпечував безперебійну роботу офісу та підтримував постійну комунікацію з клієнтською
базою.

ПРОЄКТИ

1. Autonomous B2B AI Ecosystem
Стек: n8n, Dify (DeepSeek/Gemini), PostgreSQL (Neon), Docker, Kommo CRM, Telegram API
• Бізнес-цінність: Створив комплексну архітектуру на базі ШІ-агентів для повної автоматизації
циклів продажу та клієнтської підтримки першої/другої ліній. Це рішення дозволяє бізнесу
делегувати рутину віртуальним співробітникам.
• Технічна реалізація:
◦ Розробив незалежні мікросервіси, які здатні самостійно опрацьовувати вхідні заявки, збирати
дані з сайтів клієнтів та керувати розкладом через CRM.
◦ Побудував відмовостійку архітектуру: налаштував механізми перевірки станів у PostgreSQL,
щоб повністю виключити дублювання процесів при збоях мережі.
◦ Реалізував безпечну обробку асинхронних медіа-даних з месенджерів без втрати контексту
діалогу, обходячи обмеження "стану гонитви".

2. AI-Driven Market Sentiment Pipeline
Стек: n8n, PostgreSQL, LangChain, DeepSeek API
• Бізнес-цінність: Запустив віртуального аналітика для безперервного моніторингу репутації
бренду. Система агрегує реакції користувачів з відеоплатформ та новинних ресурсів,
перетворюючи сирий текст на структуровані бізнес-метрики.
• Технічна реалізація:
◦ Написав алгоритми для регулярного збору інформації з RSS-каналів та коментарів,
налаштувавши їх пакетну передачу до мовних моделей для оптимізації витрат.
◦ Інтегрував глибокий семантичний аналіз тексту за допомогою DeepSeek API, що дозволяє
класифікувати емоції, рівень негативу та виявляти конкретні інтенції користувачів.
◦ Спроєктував Telegram-інтерфейс на базі LangChain, де користувачі можуть формувати
складні запити до бази даних звичайною мовою, отримуючи точні аналітичні зведення.

3. High-Performance Market Data Infrastructure
Стек: Python, FastAPI, Docker, PostgreSQL (TimescaleDB), XGBoost
• Бізнес-цінність: Спроєктував швидкісну систему збору та трансформації біржових даних для
алгоритмічної торгівлі та подальшого тренування моделей машинного навчання.
• Технічна реалізація:
◦ Налаштував безперервний парсинг WebSocket-з'єднань через asyncio для захоплення книги
ордерів (L2) та історії угод з мінімальними затримками.
◦ Впровадив модулі аналізу мікроструктури ринку в реальному часі, здатні розпізнавати
маніпуляції обсягами (спуфінг) та вираховувати спреди.
◦ Розгорнув базу даних TimescaleDB для надійного та оптимізованого зберігання масивів
часових рядів під високим навантаженням.

4. RAG-система бази знань (Логістика / Корпоративний сектор)
Стек: Python, Dify, OpenAI/DeepSeek, PostgreSQL
• Бізнес-результат: Розробив внутрішнього AI-асистента для компанії, що дозволило
автоматизувати відповіді на запити співробітників щодо внутрішніх регламентів та графіків
роботи.
• Технічні досягнення:
◦ Побудував ефективну RAG-архітектуру на основі повної бази протоколів компанії.
◦ Налаштував точну видачу інформації без "галюцинацій" ШІ, що суттєво розвантажило HR-
відділ та менеджерів.

5. Local Financial Budgeting AI System
Стек: Llama 3.1 (Ollama), 1C oData (REST API), WireGuard, macOS (Apple Silicon M5 Pro), n8n
• Бізнес-цінність: Створив повністю ізольовану від інтернету систему генерації бюджету доходів
і витрат, що гарантує 100% конфіденційність фінансових даних компанії завдяки локальній
обробці інформації.
• Технічна реалізація:
◦ Налаштував захищене з'єднання через WireGuard між сервером 1С та локальною робочою
станцією на базі архітектури Apple M5 Pro.
◦ Реалізував безпечну синхронізацію та передачу даних через oData (REST API для 1С)
безпосередньо у локальний воркфлоу n8n.
◦ Розгорнув та налаштував локальну мовну модель Llama 3.1 (через Ollama) для аналізу
фінансових показників та формування звітів без залучення зовнішніх хмарних API.

6. Sales Communication Analytics Dashboard
Стек: Python, Zoom API, Google Drive API, Whisper, OpenAI/DeepSeek API, BI Dashboard
• Бізнес-цінність: Розробив аналітичну платформу для керівництва відділу продажу, яка
дозволяє відслідковувати еволюцію спілкування менеджерів з клієнтами у часі, виявляти
недоліки та оптимізувати скрипти.
• Технічна реалізація:
◦ Налаштував автоматизований збір записів IP-телефонії та відеодзвінків через Zoom API із
подальшим збереженням у корпоративний Google Drive.
◦ Побудував пайплайн транскрибації аудіозаписів у текст за допомогою моделей
розпізнавання мовлення (Whisper) із подальшим семантичним аналізом діалогів через LLM.
◦ Спроєктував інтерактивний дашборд для візуалізації ключових метрик: тональності розмов,
відпрацювання заперечень та загальної динаміки ефективності комунікацій.

7. Legal RAG-Assistant & Knowledge Base
Стек: Python, Dify, Vector DB (pgvector), LLM
• Бізнес-цінність: Створив інтелектуального помічника для юридичного департаменту, що
кардинально прискорив процес підготовки договорів та пошуку релевантних правових
формулювань.
• Технічна реалізація:
◦ Сформував масштабну векторну базу знань, агрегувавши різноманітні види юридичної
документації та контрактів компанії.
◦ Впровадив RAG-архітектуру для швидкого контекстного пошуку, що дозволяє юристам
миттєво знаходити, як саме був сформульований той чи інший пункт у попередніх
прецедентах.
◦ Налаштував параметри моделі для точної роботи зі специфічною юридичною термінологією,
забезпечуючи високу релевантність результатів та виключаючи втрату контексту.

ОСВІТА ТА НАВИЧКИ

• Вища освіта, Бакалавр (Спеціальність 122: Комп'ютерні науки) | Університет імені Альфреда
Нобеля | 2018-2022
• Курс з цифрового маркетингу | Mate Academy | 2022

• Мови: Українська (Рідна), Англійська (Intermediate / B1)

Схожі кандидати

Усі схожі кандидати


Порівняйте свої вимоги та зарплату з вакансіями інших підприємств: