Превращаю данные в инсайты, которые двигают продукт вперед Строю масштабируемые data-решения с использованием ML и AI
я провожу сложные исследования пользовательского поведения, A/B-тесты и создаю дашборды для принятия решений. Проектирую аналитические события и схемы данных в OpenSearch и PostgreSQL.
я разрабатываю надежные ETL-процессы, создаю ML-модели и внедряю AI-решения для автоматизации аналитических процессов.
Продвинутый уровень: многопоточность, оптимизация памяти, сложная агрегация данных. Ускорил ETL в 50+ раз.
Jupyter / Google Colab — исследовательский анализ данных (EDA), визуализация инсайтов и подготовка интерактивных отчётов. Используется для прототипирования аналитических решений и быстрой проверки гипотез.
SQL (PostgreSQL, OpenSearch, MySQL) — написание сложных запросов с оконными функциями, CTE и агрегациями; создание автоматизаций и обёрток на Python. Применяется для подготовки витрин данных, расчёта продуктовых метрик и оптимизации хранилищ под аналитические задачи.
Продвинутый уровень: провёл 10+ успешных A/B-тестов, статистический анализ, определение значимости.
Продвинутый уровень: проектирование схем событий, создание дашбордов, алертинг в реальном времени.
Продвинутый уровень: FastAPI, async/await, метапрограммирование, создание библиотек. Разработка MCP серверов.
Средний уровень: кластеризация, классификация, time series, feature engineering. Создал ML-кластеризацию трафика.
Базовый уровень: проектирование ETL процессов, автоматизация отчётности, работа с таблицами.
Базовый уровень: использование облачных сервисов для аналитики, базовые знания инфраструктуры.
Средний уровень: разработка AI-менеджеров, MCP серверов, интеграция LLM. Создал AI-инцидент менеджера.
Работа включена в сборник трудов: стр. 319.
Тема выступления: Machine Learning-Based Models for the Compressibility Factor of Natural Gas
По итогам конференции расширенная версия нашей с Ольгой Кочуевой работы будет напечатана в журнале Lecture Notes in Computer Science (LNCS) | Springer.
Уровень участия: Российский
Организаторы: Институт проблем нефти и газа Российской академии наук
Тема работы: Применение методов машинного обучения и искусственного интеллекта для аппроксимации коэффициента сжимаемости природного газа
Научный руководитель: Ольга Кочуева, кандидат технических наук, доцент кафедры прикладной математики и компьютерного моделирования РГУ им. И.М. Губкина
Открыт для интересных проектов и предложений о сотрудничестве