Данило

DANIEL BESAHA
AI Engineer | RAG, агентні системи ШІ та машинне навчання
Telegram: @yukisausage | [відкрити контакти](див. вище в блоці «контактна інформація»)

ПРОФІЛЬ

Інженер ШІ з практичним досвідом розроблення продакшн-застосунків на основі LLM, RAG-платформ,
агентних робочих процесів і систем машинного навчання. Працюю з LangChain, LangGraph, LlamaIndex,
LLM API, tool calling, MCP, мультиагентною оркестрацією, гібридним пошуком, reranking, оцінюванням
якості, моніторингом та інтеграціями FastAPI/Docker. Досвід охоплює конвеєри даних і пошуку, AI-агентів,
надійність та оптимізацію продакшн-систем, класичне ML і комп’ютерний зір.

ДОСВІД РОБОТИ

Triago Engineering, Румунія Квітень 2025 — листопад 2026
AI Engineer
Платформа інтелектуального пошуку документів та Agentic RAG: клієнтська система для надійного
пошуку, аналізу та відповідей із посиланнями на джерела у внутрішніх бізнес-документах.
• Відповідав за ключові частини продакшн RAG-системи: завантаження й оброблення документів, пошук,
оцінювання якості, інтеграцію API та вдосконалення системи для клієнта.
• Підвищив Recall@5 із 72% до 85% завдяки поєднанню dense embeddings із BM25, фільтрації за
метаданими, пошуку з урахуванням версій документів і cross-encoder reranking.
• Зменшив кількість непідтверджених відповідей LLM приблизно на 40% завдяки порогам релевантності,
перевірці доказів, обов’язковим посиланням на джерела та логіці відмови від відповіді за браком даних.
• Розробляв агентні й мультиагентні процеси з LangChain/LangGraph: маршрутизацію та переформулювання
запитів, спеціалізованих субагентів, tool calling, патерни supervisor-worker, checkpoints, fallback-логіку,
контрольоване передавання завдань і повторно використовувані skills.
• Інтегрував компоненти ШІ з FastAPI та Docker; використовував трасування й результати оцінювання для
діагностики якості пошуку, затримок і збоїв перед передаванням рішення в продакшн.

ТЕХНІЧНІ НАВИЧКИ

ШІ / LLM та агентні системи: LangChain, LangGraph, LlamaIndex, LLM API, агентні робочі процеси,
мультиагентна оркестрація, субагенти, патерни supervisor-worker, tool/function calling, MCP, checkpoints,
handoffs, повторно використовувані skills, структуровані відповіді, prompt engineering
RAG, пошук та оцінювання: Qdrant, векторні БД, embeddings, BM25, гібридний пошук, фільтрація за
метаданими, маршрутизація/переформулювання запитів, cross-encoder reranking, метрики пошуку,
оцінювання RAG, генерація на основі джерел, цитування, no-answer/guardrail-логіка
Машинне навчання та комп’ютерний зір: scikit-learn, CatBoost, XGBoost, LightGBM, PyTorch, timm, TF-IDF,
класифікація, ранжування, кластеризація, PCA, feature engineering, ознаки комп’ютерного зору на основі
embeddings
Backend та MLOps: Python, SQL, PostgreSQL, FastAPI, REST API, Pydantic, Docker, GitHub Actions, MLflow, DVC, Git,
Pytest, AWS
LLMOps та спостережуваність: Langfuse, LangSmith, трасування, офлайн-оцінювання, аналіз помилок,
моніторинг затримок і якості, fallback-механізми та підходи до забезпечення надійності

ОСВІТА ТА МОВИ

Приазовський державний технічний університет, Дніпро — бакалавр, автоматизація та комп’ютерні
технології, 2021–2025.
Мови: англійська — B2 | українська — рідна