AI/ML-инженер
Я создаю ИИ-системы, которые работают в продакшене: LLM и векторный поиск, пайплайны данных на AWS и MLOps.
Я уже более 2 лет создаю и сопровождаю AI/ML-системы. На последнем месте работы я был единственным AI/ML-инженером в интернет-магазине б/у автозапчастей. До этого я руководил ИИ-командой в компании из сферы возобновляемой энергетики.
Живу в Тэджоне (Южная Корея) и в первую очередь ищу позиции AI/ML-инженера в Южной Корее. Позже планирую переезд в Германию. Также рассматриваю позиции в Германии и других странах Европы, в том числе в Швейцарии и Дании, и удалённую работу.
Избранные проекты
Четыре проекта, которые показывают, как я работаю. В каждом кейсе я рассказываю о задаче, о том, что сделал, как измерял результат и что это изменило. На этих страницах нет кода работодателей и закрытых данных.
Покупатель описывает деталь обычными словами на своём языке, а поиск находит ту самую деталь для его конкретного автомобиля. Я объединил векторный поиск, распознавание сущностей и LLM, которая очищает запрос, и сделал автоматические тесты точности.
Поиск показал точность 95%+ на тесте из 3000 деталей в рамках государственной R&D-программы, и проект одобрили.
Для исследования цен нужен был ежедневный поток объявлений о б/у запчастях с рынка. Я построил событийно-ориентированный пайплайн: по расписанию воркеры на Lambda берут задания из очереди SQS и сохраняют объявления в PostgreSQL, а CloudWatch присылает алерт, когда что-то ломается.
На тестах пайплайн вышел на целевые 5 млн объявлений в день, причём на самом маленьком инстансе базы данных. В продакшене лимиты запросов у источника держали его на уровне около 5000 в день.
Я руководил командой, которая вывела в продакшен две модели: одна прогнозирует, сколько энергии выработает солнечная электростанция, а другая отмечает необычные показания в данных станции. Результаты обеих поступали в виртуальную электростанцию (VPP) — платформу, которая управляет многими станциями как одной.
Ошибка прогноза снизилась с 9% до 7% — этого хватило, чтобы продавать энергию на бирже Korea Power Exchange. Precision детектора аномалий вырос на 35 процентных пунктов, recall — на 37. Деплой стал занимать 15 минут вместо 3 часов.
Дата-команда загружала данные стороннего каталога вручную. Я создал агентный процесс, который принимает марку, модель, год и регион, загружает подходящие данные о запчастях, очищает их и записывает в каталог. Задачи запускаются по расписанию, продолжаются после сбоя и завершаются отчётом, который может проверить команда.
Рабочий прототип с демо-интерфейсом для дата-команды. Когда я уходил из компании, он ещё не был в продакшене.
Я исследовал модель, которая оценивает цену б/у запчасти по обесцениванию, спросу и рыночным сигналам в реальном времени. На небольшом наборе реальных цен её точность составила около 70–80% по метрикам MAE и MAPE.
Я сделал LLM-пайплайн, который написал краткое описание на английском и на корейском для каждого из ~40 тыс. товаров компании по правилам от экспертов по запчастям. Он остался прототипом для проверки концепции (proof of concept).
Я перенёс ~40 тыс. записей компании в новую базу данных и загрузил более 2 млн записей стороннего каталога. Дубликаты удалялись, а каждый пакет записывался атомарно, поэтому сбой не мог оставить данные записанными наполовину.
Как я работаю
С апреля 2026 года я пишу большую часть ПО, направляя кодинг-агентов — Claude Code и Codex. Агенты работают быстро. А правила, заметки по проектам и проверки, которыми я их окружил, делают работу надёжной. Результат показывают два приложения, которыми я пользуюсь сам, и физический движок, в который может поиграть любой.
Приложение читает Excel-выписку моего банка прямо на телефоне. Каждую сумму и дату считывает код, категорию выбирает ИИ, а каждую строку проверяю я. Затем моя девушка получает в Telegram сообщение о том, сколько она должна.
По моей оценке, приложение экономит мне от 40 до 100 часов в год.
Я описываю разговор обычными словами, а ИИ-агент сохраняет его в записях о нужных людях и отвечает на вопросы о них. Он действует только через инструменты, которые работают на моём телефоне, а удаление происходит только по моему нажатию.
Одно нажатие отменяет ответ целиком, а о любом неверном ответе можно сообщить, чтобы его исправить.
Кожа, мышцы и кости реагируют на каждый удар по законам настоящей физики, прямо в браузере. Я не могу проверить физику по числам, поэтому каждый тест называет реальный исход и исследование, откуда он взят.
Перед публикацией любого изменения каждый тестовый удар повторяется в 45 вариантах.
Я веду единый набор правил и заметок по проектам, и его загружают 19 проектов: 9 рабочих и 10 личных. Claude Code и Codex читают одни и те же стандарты и подхватывают контекст прошлых сессий. Агент, который не может загрузить правила, должен остановиться и спросить.
Правила заставляют агентов вносить небольшие изменения, обновлять документацию и никогда не читать секреты и не трогать продакшен-базы данных. Задача считается выполненной, только когда пройдена реальная сквозная (end-to-end) проверка.
Небольшой сервис на базе Claude, который даёт всем моим приложениям единую точку доступа к ИИ. Он принимает запросы в формате OpenAI, поэтому существующие клиенты работают без изменений, и возвращает ответы, соответствующие JSON Schema.
Кроме того, он умеет запускать агентный цикл: модель решает, какой инструмент вызвать, но сам инструмент запускает вызывающее приложение на своих данных и возвращает только результат. Шлюз не хранит данные приложений.
Помимо Expenses и Network App, агенты создали OneShot Reminder, Notes и Life Simulator. OneShot Reminder тоже использует ИИ и перед сохранением просит меня подтвердить каждую задачу. Приложения обновляются сами из подписанных GitHub Releases.
К более ранним ML-работам относятся классификаторы снимков, которые определяют степень диабетической ретинопатии (я делал их для клиентов на фрилансе), и эксперименты с обучением с подкреплением для прогноза солнечной генерации. Больше работ выложено на GitHub.
Опыт
Март 2025 – июль 2026 Южная Корея (удалённо)
G-Man Auto Parts · онлайн-продажа б/у автозапчастей
Нояб. 2024 – февр. 2025 Удалённо
Upwork · анализ медицинских изображений
Март 2024 – нояб. 2024 Наджу, Южная Корея
Recs Innovation · возобновляемая энергетика
Дважды повышен: Data Science Intern → AI Engineer → AI Team Lead
Навыки
Образование и достижения
Маленькие изображения — это сканы дипломов и наградных грамот, дата рождения скрыта. Откройте скан, чтобы увидеть его в полном размере.
Контакты
Ищу работу AI/ML-инженером: LLM и поисковые системы, MLOps, ИИ-бэкенд и платформы данных. Быстрее всего со мной можно связаться по почте.