Назар

Назар Бідзінський
AI/ML Engineer • Python, LLM & RAG • Data preparation & retrieval
Львів • [відкрити контакти](див. вище в блоці «контактна інформація») • [відкрити контакти](див. вище в блоці «контактна інформація»)
Студент спеціальності «Системи штучного інтелекту» у Львівській політехніці (випуск 2026). Розробляю LLM-
та RAG-пайплайни на Python: підготовка даних, chunking та embeddings, retrieval-експерименти з метриками, API
з тестами. Маю досвід командної роботи над комерційними проєктами для US-клієнтів у SoftServe.

Освіта
Національний університет «Львівська політехніка» Львів
Бакалавр, «Системи штучного інтелекту» вересень 2022 - червень 2026
Мови: українська - рідна; англійська - Upper-Intermediate (B2)
Навички
Core ML & AI: Python, scikit-learn, supervised learning, gradient boosting, K-Means, тренування та оцінка моделей
(cross-validation, F1), feature engineering; PyTorch (basic); Pandas, NumPy.
LLMs & Retrieval: LangChain, LlamaIndex; LLM-агенти та tool calling; prompt engineering, RAG-архітектура,
chunking, embeddings, semantic та hybrid search, оцінка якості retrieval.
Data & Databases: SQL, PostgreSQL, MySQL, Qdrant, pgvector, Elasticsearch; очищення, валідація та перевірка
якості даних.
Backend & APIs: REST API та інтеграції, FastAPI, мікросервіси, Ruby on Rails.
Engineering: Git, pytest, API-тестування, Docker, CI (GitHub Actions), RSpec, RuboCop, code review, Agile.
Досвід роботи
SoftServe (гібридно) Львів
Trainee Software Engineer, SoftServe Academy лютий 2025 - червень 2025
Платформа телемедицини - US-клієнт, команда з 8 людей
★ Монолітна архітектура гальмувала розробку нових фіч. Мігрував моделі разом із тестами в окремий
мікросервіс, зберігши покриття тестами під час перенесення.
★ Спроєктував і реалізував REST API для взаємодії моноліту з мікросервісом, задавши чіткі межі сервісів і
контракти даних.
★ Рефакторив legacy-код і привів мігровані модулі до стандартів RuboCop, покращивши читабельність і
підтримуваність.
Хмарна платформа кібербезпеки - US-клієнт
★ Знаходив і виправляв баги у великій production-кодовій базі на Rails, проходячи code review.
Веб-екокалькулятор - український клієнт, команда з 9 людей
★ Задеплоїв у production вебзастосунок для популяризації сортування сміття за 2 тижні.
Проєкти
RAG Document Q&A Assistant (особистий проєкт) 2025
Python, LangChain, OpenAI API, Qdrant, pgvector, BM25, FastAPI, pytest, Docker
★ Побудував ingestion-пайплайн (завантаження, очищення, chunking, embeddings) для ~1 200 PDF/DOCX-
документів із перевірками якості даних, які відсіювали ~8% порожніх, дубльованих і пошкоджених файлів.
★ Підняв retrieval hit-rate@5 з 68% до 84% на вручну розміченому наборі з 60 запитань завдяки підбору
розміру chunk/overlap та hybrid search (BM25 + vector) у Qdrant.
★ Порівняв 3 embedding-моделі, 4 шаблони промптів і Qdrant vs pgvector, фіксуючи для кожного запуску hit-
rate@5, faithfulness і latency в журналі експериментів.
★ Додав LangChain-агента з tool calling, який маршрутизує запити між пошуком по документах і SQL-запитами
до PostgreSQL; відповіді містять посилання на джерела та fallback «не знаю».
★ Обгорнув ingestion і Q&A у FastAPI-сервіс з unit- та API-тестами на pytest, контейнеризував у Docker
(середній час відповіді ~2,5 с).
Customer Churn Prediction (навчальний проєкт) 2024
Python, scikit-learn, PyTorch, Pandas, NumPy
★ Очистив і дослідив датасет телеком-клієнтів на 7 000 рядків; згенерував фічі (tenure, тип контракту, білінг) і
обробив дисбаланс класів.
★ Покращив F1-score з 0,56 (baseline на logistic regression) до 0,63 за допомогою gradient boosting з підбором
гіперпараметрів і 5-fold cross-validation.
★ Натренував невелику MLP на PyTorch як додатковий baseline (F1 0,60) і задокументував, чому залишив
tree-based модель.
SoulShare - full-stack вебплатформа (особистий проєкт) 3 місяці
Ruby on Rails, PostgreSQL, Elasticsearch (Chewy), Devise, Active Storage, RSpec
★ Реалізував full-text search на Elasticsearch (Chewy): індексацію та логіку запитів по контенту користувачів.
★ Покрив моделі та бізнес-логіку RSpec-тестами з Shoulda-Matchers і FactoryBot.