Я создаю AI-системы от слоя данных до интерфейса: RAG-ассистентов, дообученные модели и ML-процессы, проверенные относительно понятных базовых решений.
Четыре проекта на стыке поиска, адаптации языковых моделей, классического ML и прогнозирования рынка. Каждый отвечает на конкретный вопрос.
Сканирует и индексирует содержимое сайта, находит релевантные фрагменты гибридным поиском и формирует ответы со ссылками на источники. Один backend обслуживает встраиваемый чат, приватные базы знаний и Telegram-бота.
Дообучил Qwen3-VL-8B на отобранном и синтетическом датасете «текст → карточки». Адаптер научился генерировать меньше, но более содержательных карточек, сохраняя валидный JSON и исходный текст.
Точное совпадение количества карточек на 20 отложенных текстах · улучшение в 3 раза
Собрал point-in-time датасет клиентов и сравнил логистическую регрессию, случайный лес и XGBoost на скользящей валидации. Финальную модель проверил на более позднем нетронутом периоде и откалибровал её вероятности.
Умеренный сигнал на синтетических данных; результат сравнивается с baseline редкого события и не выдаётся за production-метрику.
Исследовал бинарную классификацию роста или падения цены предмета Steam на горизонтах 1, 7 и 30 дней.
Начать с конкретного вопроса пользователя или бизнеса.
Спроектировать данные и оценивание до выбора модели.
Выпустить интерфейс, которым действительно удобно пользоваться.