PYTHON · MACHINE LEARNING

ML-разработчик.
Поиск и RAG.

Разрабатываю поиск по документам и ML-сервисы на Python. Есть опыт самостоятельного развития и поддержки RAG-системы.

Скачать резюме PDF Связаться

ИЗБРАННЫЕ РАБОТЫ

От задачи к работающей системе.

Два проекта, в которых я работал
с поиском, моделями и оценкой.

01 / RAGРабочий пилот

Ответы по документам
с источниками

Чат-бот для поиска информации в правовых документах: находит нужные фрагменты и формирует ответ со ссылками на них.

Лето 2026 · разработка и сопровождение

МОЁ УЧАСТИЕ В ПРОЕКТЕ

После двух недель практики мне доверили самостоятельно развивать и поддерживать RAG-систему.

Мой вклад

Развил обработку документов и переработал гибридный поиск.
Добавил оценку ответов, диагностические отчёты и переиндексацию Qdrant со сменой alias.
Настроил контейнеры, логи и запуск языковой модели через vLLM.

PythonQdrantBM25CrossEncodervLLM

УСТРОЙСТВО ПИЛОТА

01
ВопросЗапрос пользователя
02
Гибридный поискDense + BM25 · weighted RRF
03
ПереранжированиеCrossEncoder отбирает фрагменты
04
Ответ с источникамиLLM получает найденный контекст

Схема процесса в рабочем пилоте.

Инженерные детали и границы проекта

Поиск и оценка

Dense-поиск и два BM25-канала объединяются через weighted RRF, затем кандидатов оценивает CrossEncoder. Для проверки ответов подключены RAGAS и DeepEval.

Развёртывание

Отдельные контейнеры, Docker Compose, MongoDB, health-checks и логи. Инференс через vLLM на двух RTX 4090.

Что можно посмотреть

С разрешения компании опубликована ранняя версия. Она отличается от рабочего пилота, в том числе составом поисковых каналов. Публичной метрики качества и измеренного бизнес-эффекта для пилота здесь нет.

Ранняя версия на GitHub

Публичный код — ранняя версия пилота.

02 / SEARCH & RANKINGЛичный проект

Поиск по объявлениям Авито

Отбор до 50 подходящих объявлений по запросу с учётом текста, географии и параметров товара.

Что я сделал

Дообучил Octen с LoRA и объединил плотный поиск с BM25.
Учёл географию до отбора dense-кандидатов и добавил признаки микрокатегорий без обучения на проверяемых текстах.
Обучил модель ранжирования на 85 признаках и сравнил качество поиска до и после улучшений на одной локальной выборке.

BM25Octen · LoRAOOFHGB

КАЧЕСТВО ПОИСКА · ЛОКАЛЬНАЯ ПРОВЕРКА

89,58%Recall@50

Средняя доля известных подходящих объявлений, которые удалось найти в первых 50 результатах.

Каталог: 200 000 объявлений · проверка 14.10.2026

Ранняя версия (V4)81,34%

После улучшений89,58%

Учтены только подходящие объявления, которые есть в каталоге. На этой же выборке выбирались улучшения; независимая проверка ещё впереди.

Как я проверял качество поиска

Что означает процент

Recall@50 показывает, какую долю заранее известных подходящих объявлений система нашла в первых 50 результатах. Сначала результат усредняется по условиям поиска для одной формулировки, затем — по всем формулировкам. Так каждая формулировка имеет одинаковый вес.

Какие запросы использовал

6 111 поисковых формулировок в 12 103 сочетаниях с условиями поиска: местом, категорией, доставкой и фильтрами. Например, «велосипед» в Москве и «велосипед» в Казани — одна формулировка, но два разных сочетания условий.

Почему 89,58% и 33,59% отличаются

89,58% рассчитаны по известным подходящим объявлениям, которые есть в каталоге: 3 069 формулировок в 4 750 сочетаниях с условиями поиска. Если учитывать все известные подходящие объявления, включая отсутствующие в каталоге, результат — 33,59%. Найти отсутствующее объявление система не может.

Насколько надёжно сравнение

Рост с 81,34% до 89,58% измерен на одной локальной выборке. Улучшались и поиск объявлений, и отбор 50 наиболее подходящих. Эту выборку использовал при выборе решений, поэтому результат ещё нужно проверить на новых данных. Последняя версия пока исследовательская; новой внешней оценки нет.

Код на GitHub Условия эксперимента Результаты

Ещё немного практики

ChessAI

Шахматный движок и CNN для оценки позиций. Представил на конференции «Инженеры будущего».

PyTorch · PyQt5GitHub

English Learning Bot

Telegram-бот: словарь, диктанты, статистика и AI-собеседник.

Python · aiogramGitHub

ОПЫТ И ОБРАЗОВАНИЕ

Техническая база.
Практические задачи.

Мой фокус — поиск и RAG. Python-разработка помогает собирать модели, данные и API в работающий сервис.

Полное резюме в PDF

2026 · РАЗРАБОТКА И СОПРОВОЖДЕНИЕ

ML / RAG-разработчик

Самостоятельное развитие и поддержка RAG-пилота для компании: обработка документов, поиск, оценка ответов и развёртывание. Участвовал в разработке сервисов и проектировании инфраструктуры ИИ-агента для Ведомственного ситуационного центра Минобрнауки России.

БАКАЛАВРИАТ · 2 КУРС

МГТУ им. Н. Э. Баумана

Направление «Системы искусственного интеллекта».

ДОПОЛНИТЕЛЬНОЕ ОБРАЗОВАНИЕ

Яндекс Лицей

Программа по разработке на Python. Окончил с отличием.

Инструменты, которые использую

Поиск и документы: Qdrant, BM25, embeddings,
CrossEncoder, Docling
Модели и оценка: PyTorch, vLLM,
RAGAS, DeepEval
Сервисы и запуск: Python, FastAPI, Docker Compose,
Git, pytest

СВЯЗАТЬСЯ

Обсудим задачу?

Интересны стажировки и задачи в ML, поиске и RAG.

Написать в Telegram

Почтаalex_v685@mail.ruКод и проектыgithub.com/Alexeyokey