Обучаю модели и пишу то, на чём они работают
Низкоуровневые бэкенды инференса, генеративные архитектуры, обучение с подкреплением и прикладные сервисы вокруг них. Ниже — проекты, где есть измеримый результат и честно описанные ограничения.
Три проекта с отдельными страницами: что мерялось, как мерялось и что не сработало.
Взял LLM-движок с поддержкой только Metal и CPU. Написал третий бэкенд на WebGPU с кастомными fused-ядрами под декодинг, сделав возможным запуск в браузере на любой видеокарте.
Исследование диффузионных языковых моделей. Переделал авторегрессионный Qwen3-0.6B в блочно-диффузионный и проанализировал пределы параллельной генерации текста.
Платформа, где LLM разворачивает вокруг выдуманного события целый сегмент интернета (Wiki, новости, Reddit-посты, видео) с последующим поиском по всей сгенерированной сети.
Прикладная разработка, агенты, Reinforcement Learning и игровые исследования.
Двухэтапный AI-собеседующий. Проводит интервью по резюме и вакансии: Q&A по теории + песочница Live Coding с итоговым отчетом.
Обучение модели Discrete Flow Matching для генерации дискретных данных и настройка генератора Pixel Art изображений.
Свёрточный агент для "змейки" на DDQN, A2C и PPO. MoE Decision Transformer: обучение на траекториях с дообучением через PPO в средах Gym.
Оверлей-агент для пк: захват экрана, управление мышью/клавиатурой, веб-поиск и запоминание контекста.
Симулятор истории с LLM. Игрок вводит историческое событие, а LLM динамически меняет карту.
По описанию пациента сужает список препаратов до подходящих и объясняет, почему именно эти. Интерфейс на Streamlit, оркестрация через LangChain.
Обучение VAE для латентного пространства игровых кадров и диффузионной модели поверх него для генерации кадров с учетом действий игрока.
Сбор данных из живого источника, обучение, выкатка, онлайн-метрики, детект дрейфа и контур экспериментов с автооткатом по регрессии метрики.
Покадровое пропускание игровой графики через модель стилизации (реализм/мультфильм).
Прогноз цены авто на вторичном рынке. Анализ рынка, синтез признаков, кластеризация, ансамбль моделей, интерактивное приложение для оценки. pandas · sklearn · CatBoost · Streamlit
Отток клиентов в сети отелей. Перевод бизнес-задачи в ML-постановку, подбор порога отсечения под максимум прибыли, портрет ненадёжного клиента. pandas · sklearn
Отток клиентов банка. Предобработка под логистическую регрессию, сравнение методов борьбы с дисбалансом классов. pandas · sklearn
Классификация токсичных комментариев. Предобработка, анализ, дообучение BERT. pytorch · transformers · nltk
Поиск изображений по текстовому описанию. Признаки изображений и текстов из предобученных моделей, обучение связующей модели. pytorch · torchvision · transformers
Поиск похожих объектов, content-based. Кластеризация каталога, поиск ближайших внутри n выбранных кластеров, доранжирование градиентным бустингом. faiss · CatBoost · sklearn
Коротко: кто я, откуда пришёл и что мне интересно.
Пришёл в ML из геймдева. До этого - коммерческая разработка на C# под Unity в команде: пошаговая асимметричная стратегия, игровая логика, архитектура правил и состояние партии. Оттуда осталась привычка держать в голове систему целиком и доводить фичу до состояния, в котором ей действительно пользуются.
Сейчас работаю на уровне моделей и того, что под ними: бэкенды инференса, генеративные архитектуры, обучение с подкреплением, прикладные сервисы. Мне ближе задачи, где есть измеримый результат и видно, что именно улучшилось - поэтому в проектах ниже везде указано, что мерялось, на каком железе и чего замер не показывает.
Коммерческая разработка в команде - пошаговая асимметричная стратегия. Игровая логика и архитектура правил, состояние партии, баланс несимметричных сторон.
Прошел курс по Data Science. Решал задачи по классическому ML: табличные данные, бизнес-метрики, NLP, рекомендации. Работы этого периода - в разделе [03] Фундамент.
Низкоуровневый инференс, генеративные архитектуры, прикладные сервисы - всё, что в разделах [01] и [02].
Системная софтверная инженерия в сочетании с современным ML/LLM стеком.
| ML & Inference Optimization | PyTorch, Transformers, Langchain, LLM Inference Optimization, Diffusion Models, Discrete Flow Matching, Decision Transformer, RL, WebGPU, CUDA |
| Software Engineering & Languages | C#, Zig, Python, WGSL |
| Классический ML & Данные | pandas, NumPy, scikit-learn, CatBoost, FAISS, feature engineering, кластеризация, работа с дисбалансом классов, подбор порога под бизнес-метрику |
| AI Infrastructure & Products | LLM Orchestration, OpenRouter, REST APIs, Docker, Git, Self-Hosting |
Открыт к предложениям по ML-инженерии и оптимизации инференса.
| Почта | mavirico7@gmail.com |
| GitHub | mavirico7-sketch |
| Формат | Удалённая работа / Офис · Готов к переезду |