Обо мне
Студент 4 курса СПбГУ, специализация: NLP, LLM и классический ML (Machine Learning). Ищу стажировку на позицию ML Engineer / Data Scientist в направлениях NLP, LLM, Classic ML и RecSys. Имею сильную алгоритмическую базу и опыт полного цикла ML-разработки — подготовка и анализ данных, ML-эксперименты, обучение и интеграция моделей, model inference. Провожу исследовательские эксперименты с квантованием моделей и KV-cache на GPU, работаю с Python и PyTorch; развиваю C++ для ML-задач.
Проекты
LLM KV-Cache Quantization
Исследовал FP8 и HQQ INT4/INT2 на 3 reasoning-моделях и 80 задачах AIME-24/MATH-500. Разработал анализ First Divergence Point, K-error, Attention-KL и Logit-KL для поиска причин деградации reasoning. Показал зависимость качества от архитектуры модели и локализацию ошибок квантования в outlier-каналах; исследовал сохранение критических каналов как способ снижения деградации.
Смотреть на GitHubAutoTopic — Topic Modeling
Построил pipeline BERTopic: multilingual SentenceTransformers → UMAP → HDBSCAN → c-TF-IDF; для русского использовал pymorphy3, для английского — spaCy. Провёл сравнение с LDA и автоматический подбор гиперпараметров через Optuna по coherence и diversity. На полном датасете обнаружил 59 тем из 236K проанализированных документов; diversity BERTopic — 0.966 против ~0.91 у LDA.
Смотреть на GitHubDistributed ML Inference
Реализовал TF-IDF + One-vs-Rest Logistic Regression для классификации 50 тем на данных AutoTopic. Построил архитектуру FastAPI → Coordinator → gRPC workers с Kubernetes, Cassandra для состояния и MinIO для ML-артефактов. Масштабирование с 1 до 5 worker-реплик увеличило throughput с 87.1 до 346.2 req/s, снизив p50 latency с 684 до 165 мс.
Демонстрационная / исследовательская архитектура, не production-система.
Смотреть на GitHubECG Edge AI
Собрал систему сбора данных: 2× AD8232 + 2× Arduino Nano → Raspberry Pi 5; реализовал восстановление 6 отведений и фильтрацию сигнала. Интегрировал готовую PyTorch-модель ЭКГ и подготовил её для CPU-only inference через TorchScript. Реализовал FastAPI/WebSocket inference pipeline и signal-quality gate; получил 5.18 мс на предсказание на Raspberry Pi 5.
Исследовательский / образовательный прототип, не является медицинским устройством.
Смотреть на GitHubДостижения
Top 1% участников. Соревнование по прогнозированию временных рядов: предсказание цены продукта на следующий месяц. Использовал ARIMA.
Top 15% участников. В команде из 4 человек разработали и представили готовый продукт — аналог Airtable с AI-интеграциями и RAG, с распределением зон ответственности.