• Улучшен алгоритм онлайн-стабилизации мобильного цифрового видео (DIS) за счет оптимизации углов Эйлера (Digital Video Stabilization and Rolling Shutter Correction using Gyroscopes by Stanford) и оптимизации B‑сплайнов (PyTorch). • Уменьшены вычислительные затраты для алгоритма DIS с помощью библиотек C++ (Ceres Solver, Eigen, Autodiff, OptimLib). • Создан конвейер разработки для удаленной компоновки, сборки и тестирования с помощью Docker и CLion. • Адаптирован исходный код (Deep Online Fused Video Stabilization paper by Google) для мобильных смартфонов Huawei (PyTorch).

• Проведена оптимизация экономических затрат путем переноса системы компьютерного зрения для обработки видеопотока видеонаблюдения из облака на платформу Nvidia Jetson (CUDA, Python, ONNX, Docker) с настройками сетевого оборудования (Routing & Switching) • Реализована подсистема обеспечения автономной работы (при потере подключения к Интернету) на платформе Nvidia Jetson путем сбора необходимых данных из главной базы данных в локальную СУБД (FastAPI & Celery & Redis & MySQL). • Ускорено обучение модели глубокого обучения Paddle OCR SVTR для распознавания автомобильных номеров благодаря конвейеру обучения с MLOps (Prepare & Filter & Train & Report & Deploy). • Развернуты локальные версии GitLab & js.wiki для CI/CD и документации по программному обеспечению (Docker).

• Пройден процесс повышения квалификации в рамках обработки больших данных (Scala & Hadoop, MR, Yarn, Spark, Hive). • Исправлена генерация конфигураций для повышения стабильности создания реплик из файлов и RDBMS в HDFS (Hive & Parquet). • Разработка ядра, решающего задачи ETL ‑ репликация данных из внешних и внутренних источников во внутреннее HDFS хранилище (Python, HDFS, MR & PySpark).

• Исследована новая система, позволяющая находить объекты, идентифицировать и характеризовать их. Вместе с разработанным и протестированным программным обеспечением система предоставляет пользователю эффективный и удобный инструмент контроля безопасности среды Умного города. • Разработана интеллектуальная система выявления взаимосвязей объектов в рамках концепции «Умный город» с использованием PyTorch, Обнаружение объектов (YOLO), Отслеживание объектов (SORT), Распознавание атрибутов.

• Разработан инструментарий для предоставления информации о велосипедных поездках в Нью‑Йорке с помощью Spark DataFrame API (Pandas, GeoDataFrame, Choropleth, HeatMap). • Создан конвейер для упрощения понимания тенденций Twitter, используя Hadoop, Pandas, PySpark, Spark Streaming, Tweepy, Kafka. • Спроектирован и разработан веб‑сервис с анализом и кешированием поисковых запросов с помощью Redis для настройки ранжирования результатов поиска и снижения используемых вычислительных ресурсов с использованием Django, Docker, NGINX. • Предоставлена ценная информация о тенденциях поиска путем создания панели инструментов Grafana со статистикой поиска и журналами из ClickHouse.

• Составлены методические рекомендации для студенческого хакатона по использованию PyTorch, подготовке данных, нейронным сетям, обнаружению объектов, конвейерам обучения и валидации ИИ моделей, с упором на использование систем искусственного интеллекта в области "Умного города". • Реализована помощь студентам в проектировании и разработке собственных систем для решения реальных бизнес-задач и принято участие в помощи при подготовке презентаций студенческих итоговых проектов. • Проведены лекции теоретической части к лабораторным работам в доступной форме для младших курсов по курсу «Схемотехника». • Обеспечена поддержка при выполнении практических лабораторных заданий в рамках курса «Схемотехника», включающего настройку параметров схемы, проектирование точной топологии схемы и устранение неполадок в схемах с использованием программного обеспечения NI Multisim.

• Улучшен GoLang микросервис для продуктового поиска (текстовый и категорийный). • Исследованы и созданы стратегии по снижению объема бот‑трафика в поиске маркетплейса (Python, ClickHouse, Pandas, Matplotlib). • Предоставлена ценная информация о предсказании категорий поиска, создав панель инструментов Grafana (Prometheus QL). • Ускорено получение аналитических данных дубликатов фильтров поиска маркетплейса для команды UX и уменьшен объем логов (Golang, gRPC, Kafka, PostgreSQL).

Algorithms and Data Structures, Advanced C99/C++11, Django, PostgreSQL, JS Frontend & Go Backend • Разработана социальная сеть Eventum, чтобы помочь жителям городов назначать встречи на культурные мероприятия в стиле Tinder с помощью ES6 и GoLang. • Реализован быстрый чат приложения в режиме реального времени по протоколу WebSocket как сервис в микросервисной архитектуре.

CNN, Deep Learning, Classification, Object Detection, Neural Architecture Search PyTorch, Scikit-learn, SIFT/SURF, ResNet, DARTS, Hyperparameter Optimization • Исследована и обучена модель ResNet для оптимизации гиперпараметров с помощью PyTorch на CIFAR10 и CIFAR100. • Исследована и обучена модель нейронной сети «Differentiable NAS» как часть поиска нейронной архитектуры для улучшения оптимизации гиперпараметров. • Разработан инструментарий для улучшения оптимизации гиперпараметров модели NN с помощью Scikit‑learn.

• Ускорен существующий конвейер CI/CD Jenkins и исправлены баги во благо работоспособности Jenkins jobs (DevOps). • Спроектирован, разработан и оттестирован инструмент для анализа действий с пользовательским интерфейсом для On‑prem ПО (сбор, хранение и визуализация данных) (полный стек). • Технологический стек: React.js, Node.JS, Codahale library, Cypress.io, K8s, Docker, InfluxDB, Grafana.

Informatics and control systems, Software for Computer Hardware and Automated Systems

Informatics and control systems, Software for Computer Hardware and Automated Systems

Lightbend Academy, Scala Developer

Stepik.org & VK (ex. Mail.ru Group), Big Data Engineer

Huawei, Успешно прошел курс AI Computer Vision (90 часов).