AI/ML - engineer

Tool selection / retrieval для LLM-агентов и бенчмаркинг агентов над MCP-серверами
• Соавтор статьи по tool selection / retrieval для LLM-агентов (подана на EMNLP): дообучил embedding-модели на синтетических контрастных данных — +7% Recall@k относительно frozen-baseline; спроектировал planner/retriever-пайплайны (LangGraph, RAG), reranking и анализ ошибок.
• Соавтор DynamicMCPBench — фреймворка для оценки LLM-агентов на живых MCP-серверах (подан на EMNLP
2026, Industry track): реализовал effect-based scoring — детерминированную проверку effect-чекпоинтов под replay и LLM-судью (LLM-as-a-Judge) на эквивалентность эффектов; агент оценивается по воспроизведению эффектов, а не по финальному ответу

LLM-продукты и ML-сервисы для автоматизации продаж и удержания клиентов
• Спроектировал и запустил в пилот мультиагентную систему на LLM для обработки входящих заявок (Avito, ~1000 заявок/день): агент-классификатор лидов и сценарные диалоги по типам пользователей, доводящие клиента до этапа сделки; интеграция с Avito API на асинхронном Python.
• Результат: на проде конверсия в закрытые заявки оказалась на 2% выше, чем у менеджеров; бот заменил 3 менеджеров на аккаунте — экономия ~300 000 руб./мес.
• Построил пайплайн обработки документов (OCR + NLP) для извлечения текста из сканов и фото — сократил время ручной обработки заявки с 15 до 3 минут.
• Разработал end-to-end ML-пайплайн прогнозирования оттока (~30k аккаунтов): сбор и подготовка данных, batch-скоринг и выгрузка скоров в CRM.
• Спроектировал 40+ признаков и обучил градиентный бустинг с time-based валидацией — PR-AUC 0.64 против 0.41 у baseline-логрега; интерпретация через SHAP, A/B-тест дал uplift retention +12%.
• Проводил пресейл-встречи и техническую оценку задач: переводил бизнес-боли заказчика в ТЗ, оценивал реализуемость и сроки.