Омар

Алієв Омар Емінович
Full-Stack Developer
Житомир (Remote) • [открыть контакты](см. выше в блоке «контактная информация») • [открыть контакты](см. выше в блоке «контактная информация») • GitHub: github.com/AlievOmar7729
• Telegram: @omaraliev7729

ПРО СЕБЕ
Full-Stack розробник з практичним досвідом створення вебзастосунків від архітектури до деплою.
Основний стек — Node.js, TypeScript, NestJS, Next.js та Python. Працював з PostgreSQL, Redis,
Docker, Prisma ORM, REST API, JWT/OAuth 2.0, Swagger. Також маю досвід інтеграції ML-модуля та
близько 4 років у графічному дизайні.

КЛЮЧОВІ ТЕХНОЛОГІЇ
Backend: Node.js, TypeScript, NestJS, PHP, Python, FastAPI, REST API, JWT, OAuth 2.0, Swagger, Prisma
ORM.
Frontend: Next.js, React, JavaScript, HTML, CSS, Vite, shadcn/ui.
Бази даних: PostgreSQL, MySQL, Redis.
Інше: Docker, Git, Selenium, Playwright, CI/CD.

ОСНОВНІ ПРОЄКТИ
SearchWork — Full-Stack портал пошуку роботи
• Розробив frontend на Next.js та backend на NestJS.
• Побудував модульну архітектуру застосунку.
• Реалізував JWT та OAuth авторизацію, REST API, Swagger.
• Використав PostgreSQL, Redis та Prisma ORM.
• Розгорнув проєкт у Docker, налаштував SSR та SEO.
• ML-сервіс на FastAPI для семантичного ранжування резюме.
GitHub: github.com/AlievOmar7729/SearchWork

SearchWorkCMS — власна CMS на PHP
Розробив CMS з нуля: авторизація, адміністративна панель, CRUD-операції, керування
контентом, MySQL.
GitHub: github.com/AlievOmar7729/SearchWorkCMS

ДОСВІД РОБОТИ
Graphic Designer — Zorrov (07.2025–04.2026)
• Підготовка макетів для сублімації, DTF та UV-друку.
• Генерація та покращення AI-зображень.
• Створення каталогу товарів та рекламних матеріалів.
• Adobe Photoshop, Adobe Illustrator.

ОСВІТА
Державний університет «Житомирська політехніка» Бакалавр •
Інженерія програмного забезпечення (2022–2026)
Детальний досвід на одному з проєктів :

Останнім великим проєктом була розробка full-stack вебзастосунку для пошуку роботи. Для цього
свідомо обрав технології, з якими раніше не працював - NestJS та Next.js. Хотів не просто вивчити нові
фреймворки, а зрозуміти, як будуються сучасні вебзастосунки від архітектури до деплою.

На backend основну увагу приділив побудові правильної архітектури застосунку та системі
авторизації.Реалізував авторизацію на основі JWT з access та refresh tokens, OAuth 2.0, розмежування
доступу до API, валідацію даних та модульну структуру проєкту. Окремо працював із можливостями
самого NestJS. Використовував Guards, декоратори та інші механізми фреймворку для перевірки прав
доступу. Також автоматично документував API через Swagger, щоб усі ендпоінти були описані та їх
можна було легко тестувати.

На frontend мене найбільше цікавило питання SEO. Почав вивчати різницю між SPA та SSR, читав
документацію Google щодо індексації сторінок і зрозумів, що сторінки, які відрендерені на сервері,
пошуковим системам значно простіше індексувати. Оскільки проєкт був сайтом пошуку роботи, для мене
це було важливо. Я вирішив використати змішаний підхід: сторінки окремих вакансій рендерив через
SSR, щоб вони добре індексувалися Google ;інші сторінки працювали як SPA, що забезпечило швидку
взаємодію користувача із застосунком.

Окремим етапом стала інтеграція машинного навчання. Спочатку розглядав використання API різних AI-
сервісів, але хотів зробити рішення незалежним від сторонніх сервісів та їх вартості. Тому почав
досліджувати локальні моделі. Після аналізу різних варіантів обрав модель intfloat/multilingual-e5-large,
яка призначена для побудови векторних представлень тексту та добре працює із семантичним
пошуком.На її основі реалізував окремий ML-сервіс на FastAPI, який ранжував резюме відповідно до
вакансії.
Окремим етапом стала інтеграція машинного навчання. Спочатку розглядав використання API різних AI-
сервісів, але хотів зробити рішення незалежним від сторонніх сервісів та їх вартості. Тому почав
досліджувати локальні моделі. Після аналізу різних варіантів обрав модель intfloat/multilingual-e5-large,
яка призначена для побудови векторних представлень тексту та добре працює із семантичним
пошуком.На її основі реалізував окремий ML-сервіс на FastAPI, який ранжував резюме відповідно до
вакансії. Під час тестування виникла проблема продуктивності. Обробка навіть 50 резюме займала
десятки секунд, що було не дуже.Після аналізу з'ясував, що проблема була не в самій моделі, а в
реалізації. Спочатку метод model.encode() викликався окремо для кожного поля кожного резюме (skills,
info, languages). Для 50 резюме це означало близько 150 окремих викликів моделі, кожен із яких повторно
створював тензори, підготовлював дані та запускав інференс. Після цього переробив логіку. Замість
поелементної обробки всі тексти попередньо збиралися у великі списки, після чого передавалися в
модель одним викликом через batch processing. Це суттєво зменшило кількість звернень до моделі та
значно пришвидшило ранжування. Саме під час цієї задачі я зрозумів, наскільки важливо спочатку знайти
реальну причину проблеми, а вже потім оптимізувати код.
Для запуску проєкту використовував Docker. Проєкт був розділений на декілька сервісів: Next.js frontend;
NestJS backend; ML-сервіс на FastAPI; PostgreSQL; Redis. Усі сервіси запускалися через Docker Compose,
що дозволило піднімати повне середовище однією командою. Після цього налаштував Cloudflare Tunnel,
щоб зробити локальний сервер доступним через Інтернет без відкриття портів на роутері та без статичної
IP-адреси. Окремо налаштовував DNS, HTTPS, маршрутизацію між frontend та backend, вирішував
проблеми із CORS, cookies, доменами та авторизацією після переходу з localhost на реальний домен.
Про цей проєкт розповідав - https://github.com/AlievOmar7729/SearchWork