ML Engineer

• Разработал и внедрил ML-систему контроля качества анимационного рендера на основе CV: система выявляет брак (чёрные кадры, водяные знаки, битые текстуры) в потоке тысяч фреймов в сутки.
• Разработал end-to-end CV-пайплайн: интеграция с рендер-менеджером через хук -> обработка кадров -> детекция брака -> автоматический перезапуск бракованных диапазонов.
• Применил ResNeXt50 как энкодер и multi-head classifier для локализации типов брака. Для анализа аномалий в текстурах использовал Swin Transformer с временным анализом последовательности кадров.
• Создал прототип системы анализа анимационных ошибок («левитация», нарушение взаимодействия с объектами) на основе VideoMAE + temporal attention head, обученный на корпоративных данных.
• Решение внедрено в production, сократило время ручной проверки на 70%.

• Разработал NLP-блок для MVP-сервиса мониторинга регламентов в автосалонах: анализ телефонных переговоров и записей с носимых устройств.
• Реализовал полный пайплайн: транскрибация (Whisper-turbo), классификация тональности и ругательств (ruBERT-large), суммаризация диалогов (дообученный T5-base), детекция ключевых фраз. Эффективность моделей оценивалась с помощью метрик: accuracy/F1, WER, ROUGE-1/2/L.
• Участвовал в проектировании архитектуры: FastAPI, Celery + Redis, S3, Docker. Cистема развернута локально у дилера для соблюдения конфиденциальности.
• Реализовал подход, при котором сохраняются только структурированные артефакты: транскрипты, метки инцидентов, суммаризации и сниппеты нарушений (сырые аудио/видео автоматически удаляются через 30 дней). Это позволяет вести историю событий без роста дисковой нагрузки и упрощает аудит.