Разработал и внедрил пилотную MVP модель для автоматического сопоставления элементов BIM-модели (Revit) с позициями сметного справочника - классическая задача выполняемая по большей мере вручную.

Цель: Сократить до минимума ручное сопоставления элементов по работам. Когда сбор справочника будет завершен, модель будет полностью обучена и внедрена в боевые проекты, что позволит значительно сократить ручной труд и повысить точность сметных расчётов.

Результат: на данном этапе модель показывает качество ~90% для 20-ти классов, в то время как первые 2-3 попытки расчетов при классическом ручном подходе дают примерно 50-70% качества из-за человеческого фактора, что соответствует уменьшению нагрузки на проектный и сметный отдел примерно на 15% и 20% соответственно. Результаты работы проверялись в специальном ПО для расчета смет, поэтому применение лучших практик для оценки качества (например, A/B-тестирование) в данном случае нецелесообразно.

Описание:

• Использован CatBoost для multi-label классификации с фокусом на Precision (90%).
• Построен пайплайн сбора данных, их обработки и использования результатов модели
• Подготовил пайплайн для дообучения модели при расширении справочника.

Цель: построить модель декодирования сигналов морзе, используя технологии, похожие на обработку естественного языка.

Технологии: PyTorch, FastAPI, MLflow, Docker

Описание:

• Построена модель CNN → LSTM с CTC Loss для декодирования из аудиофайлов
• Использованы Mel-спектрограммы и аугментации (time/freq masking)
• Логирование метрик обучения через MLflow
• Сохранение моделей на сервере
• Качество: 0.433 по Levenshtein distance на Kaggle (15 место, лидер — 0.24)
• FastAPI-сервер с возможностью дообучения модели независимо от инференса
• Решение упаковано в Docker

GitHub: Morse-Decoder

Цель: построить модель для классификации 42 персонажей по JPEG-изображениям

Технологии: PyTorch, torchvision, seaborn

Описание:

• Разработана CNN-модель с 3 сверточными блоками
• Использовались техники аугментации и расширения тестовой выборки: повороты, изменение яркости, горизонтальное отражение
• 96.56% accuracy на тренировочной выборке для базовой модели

GitHub: Image classification

Цель: Разработать модель предсказания личности человека на основе данных.

Технологии: Pandas, Numpy, Matplotlib, Seaborn, StratifiedKFold, CatBoostClassifier, scikit-learn

Описание:

• Проанализирована степень важности пропусков в данных
• Созданы новые признаки для расширения выборки
• Протестированы различные модели - CatBoost, XGBoost, RamdomForest, а так же их стейкинг

GitHub: Personality Prediction

Цель: разработать систему умного поиска по внутренней базе знаний компании с выводом найденной информации в качестве контекста LLM.

Технологии: модели компьютерного зрения, ORC, LLM, RAG

Описание:

• Решение проблем с неструктурированной документацией с помощью ORC
• Интеграция примечаний с изображениями в систему
• Проверка актуальности норм
• Фильтрация галлюцинаций LLM

Результат: построил часть модели, которая отвечает за поиск релевантной информации в pdf. Данная модель может определять качество скана pdf для частей документа и если качество низкое, то применяются ORC подходы для получения информации (например таблицы) и конкатенирует их с качественными сканами. После этого происходит поиск и выбор информации на основании запроса через библиотеку Langchain.