● Разработал предиктивную ML-модель для прогнозирования спроса алкогольной продукции на рынке иностранного заказчика в экосистеме данных Snowflake. ● Реализовал многокомпонентную логику выбора разных моделей для разных типов временных рядов в multi-tenant системе. ● Значительно улучшил качество прогнозирования с итоговым WAPE < 25%.

Интегрировал ML и DL решения в производственные процессы для их оптимизации и автоматизации, поддерживал пайплайны в работоспособном и актуальном состоянии: ● Использовал ансамбль моделей CatBoost + нейросеть, объединенных по принципу байесовского усреднения, для прогнозирования минимальной дозы метанола; снизил потребление на 13% г/г. ● Построил ML-пайплайн бинарной классификации для оптимизации использования ингибитора коррозии, применил градиентный бустинг с монотонным ограничением на признак «доза» и доверительные интервалы, снизив перерасход ингибитора на 30% г/г при удержании скорости коррозии <0,01 мм/год. ● Разработал AI-систему поиска в нормативно-технической документации на архитектуре RAG. ● Реализовал гибридный поиск с применением Bi-Encoder и Cross-Encoder моделей + LLM по API.

● Сбор данных и обработку данных. ● Моделирование и коммуникацию результатов.