Портфолио и кейсы фрилансеров по машинному обучению

Исследовательская модель сравнивает политики резервирования при параллельных запросах, отмене и неизвестной итоговой стоимости. Расчётные допущения отделены от возможностей внешнего API. Задача: Определить, какой резерв нужен при ограниченном следующем шаге и как сохранить согласованность одновременных резервов. Реализовано: Сопоставить фиксированный и динамический резерв. Изучить параллельные операции и неизвестный итог отменённого запроса. Пересчитать смешанные сценарии независимой арифметикой. Инженерная проверка: Три политики: фиксированный резерв, динамический хвост, один ограниченный ответ. Расчёты в целых nano-USD; резерв округляется вверх, рабочий лимит вниз. Результат: Реализованы сравнение политик, независимая арифметическая проверка и локальный HTML-калькулятор исследуемой модели. Статус и вклад: Моделирование и исследование. Формальная модель, симуляция и калькулятор; интеграция с реальным облачным API рассматривается отдельно.

Контролируемое исследование оценивает обработку аудио по звучанию, сохранению слов, скорости и памяти. Улучшение акустики рассматривается отдельно от качества распознавания. Задача: Выбрать режим обработки на сопоставимых входах и выявить ситуации, где дополнительная очистка ухудшает результат. Реализовано: Обработать одинаковые входы несколькими моделями. Сравнить скорость и память CPU и DirectML. Отдельно проверить акустические метрики и ошибки распознавания. Инженерная проверка: Три официальные модели DPDFNet получили одинаковые входы на Windows/RTX3060Laptop6 ГиБ. Тёплое время — медиана последних трёх из четырёх одинаковых обработок. Результат: Задокументированы сравнительная методика и результаты по шумным, длинным и чистым записям, включая случаи ухудшения после обработки. Статус и вклад: Прикладное исследование; замеры 17 октября 2026. Сравнительная методика и аналитика поверх официальных сторонних моделей и наборов данных.

Экспериментальная среда сравнивает способы восстановления скрытых декодеров. Участники действуют внутри ограниченной виртуальной машины с контролируемым бюджетом. Задача: Сопоставить стратегии поиска на неизвестных правилах и оценивать успех по скрытым сообщениям, а не по тренировочным примерам. Реализовано: Запустить в симуляторе разные стратегии исследования. Выдать ограниченный бюджет виртуальных исполнений. Проверить восстановленную программу на скрытых сообщениях. Инженерная проверка: Последняя завершённая v5 датирована 25Oct,14:03 МСК. Каждый повтор:1024 машины×4 исследователя=4096 одновременно;3 повтора=12288 участников суммарно. Результат: Реализована и задокументирована серия симуляций с разными политиками, скрытыми проверками и независимыми интерпретаторами. Статус и вклад: Экспериментальная симуляция. Собственная экспериментальная среда и сравнительная методика; алгоритмы исследования заданы в коде.

Сравнительные эксперименты показывают, как перестановка и перемешивание весов влияют на прогноз и повторное обучение. Проверка охватывает весь путь вычислений. Задача: Отделить сохранение поведения модели от повторного запоминания и проверить результат на новых сочетаниях входов. Реализовано: Сопоставить согласованную перестановку и разрушительное перемешивание весов. Разделить знакомые и отложенные примеры. Сравнить восстановление с новой инициализацией. Инженерная проверка: Опыт 26Oct выполнен на маленькой MLP с one-hot/битовыми входами, не на большой LLM. 20 независимых миров:2 семейства×10seed. Результат: Задокументированы сравнительные вмешательства и побитовое повторение обучений в рамках исследованных небольших моделей. Статус и вклад: Исследование на сторонней основе. Исследовательская работа на основе стороннего elfmem; базовая платформа и самостоятельные изменения рассматриваются отдельно.

Исследовательский проект. Исследование разделяет исправность обучающего кода, обучаемость вспомогательных задач и качество основного классификатора. У каждого вывода есть свой контроль и область применимости. Задача: Проверить, что улучшение вспомогательной задачи действительно связано с основным результатом, а сравнения используют сопоставимый бюджет обучения. Результат: Подготовлены контролируемые сравнения и независимые проверки; исследование выявило границы между успешной отладкой и качеством основной модели. Ключевые решения: • Критерии исполнения, математики, обучаемости и качества основного классификатора разделены. • Сохранены сравнения на равном бюджете, чтобы число шагов не подменяло влияние метода. Архитектура: Foundation + fixed dataset splits; CPU math/GA/RNG/source/serialization proofs; CE control vs joint AUX training; Equal-budget independent metrics; Scientific stop gate and evidence index. Вклад: Исследовательская и инженерная работа над обучающим процессом и его проверкой.

Задача. Управляющие десятка пекарен у дома составляли заказ выпечки на завтра по памяти. Вечером в урну уходили круассаны и булки, а к десяти утра заканчивались ходовые позиции, особенно в дождь и жару. Нужно было собирать заказ из данных, но решение оставить человеку: управляющий знает, что у соседнего офиса сегодня праздник. Решение. Выгрузил из кассы историю продаж по точкам и позициям за два года, добавил календарь и погоду. Данные чистил и собирал в pandas: убирал возвраты, склеивал одинаковые товары под разными названиями. Недельные профили спроса и скользящие средние считал на NumPy. Модель на scikit-learn оценивает спрос на завтра для каждой пары «точка — позиция» и добавляет запас, настроенный под позицию: хлеб можно уценить, а пустая полка утром теряет покупателя. Агент по вечернему расписанию забирает свежие продажи и прогноз погоды и отправляет управляющему черновик заказа, тот правит и подтверждает, правки сохраняются. Эксперименты и версии моделей лежат в MLflow с параметрами и метриками. Переобучение по расписанию, новая модель заменяет старую, только если лучше на последних неделях, откат одним действием. Результат. Заказ на завтра занимает несколько минут, списаний меньше, ходовые позиции к вечеру не кончаются так резко. Новые точки без истории считаются по похожим, с пометкой. Автоматического заказа без подтверждения нет. Евгений Росляков, сайты с 2016 года. Работаю как самозанятый по договору, закрывающие документы для юрлиц.

Задача. Управляющие небольшой сети магазинов у дома раз в день фотографируют главные полки и шлют снимки в чат, а смотрит их один человек из офиса. Он не успевает, фото кривые и тёмные, а пустую полку с молоком или старый ценник после акции находят по жалобе покупателя. Камеры покупать не хотели, проверять нужно по фото с обычного телефона. И система не должна придумывать: спорный ценник лучше отдать человеку. Решение. Фото приходит в Telegram, агент проходит его в несколько шагов. OpenCV находит край полки, убирает перекос и режет снимок на ярусы. Модель YOLO ищет товары, пустые места и ценники. Обучил её в PyTorch на фотографиях полок этой же сети: управляющие слали снимки, я размечал товары и просветы вручную, потому что на тесных полках готовая модель путалась. Вырезанные ценники читает GPT Vision, а агент сверяет название и цену с базой сети. Наружу уходят только фрагменты ценников, при расхождении или нечитаемом тексте решает человек. Управляющий получает короткий список задач с кнопкой «выполнено», в офис уходит сводка по магазинам. Ошибочные пометки попадают в набор для дообучения. Результат. Офис не листает десятки фото, пустые места и устаревшие ценники находят раньше покупателей. Архив снимков показывает, какие места пустеют чаще и когда, это помогает с графиком поставок. Евгений Росляков, сайты с 2016 года. Работаю как самозанятый по договору, закрывающие документы для юрлиц.

Задача. В поддержку службы доставки еды в нескольких городах писали сотни людей в день, и всё лежало в одной очереди: опоздал курьер, нет ложки, не тот соус, не сработал промокод, нужен возврат. Оператор сам разбирался в каждом сообщении и искал заказ, срочные жалобы стояли рядом с вопросом про промокод. Нужно было разобрать поток по темам и давать оператору черновики, оставив решение за человеком. Решение. Всё упёрлось в данные: несколько тысяч прошлых обращений мы с двумя старшими операторами разметили по темам. Разметка заняла больше времени, чем обучение. Первый слой — быстрый классификатор: предобученную русскоязычную модель с Hugging Face дообучил на размеченных обращениях, код на TensorFlow и Keras. Если классификатор не уверен, обращение уходит человеку без метки. Для сложных случаев языковая модель читает переписку, пишет черновик в тоне службы и достаёт номер заказа, который агент сверяет с базой. Факты берутся только из карточки заказа и правил возврата. Оператор видит тему, заказ, черновик и кнопки «отправить», «исправить», «передать», исправления копятся для дообучения. Результат. Очередь приходит разобранной, срочные жалобы наверху, простые вопросы закрываются почти по готовому тексту. Путаницу «возврат» и «ошибка в заказе» исправили примерами. Руководитель видит, когда растут жалобы на опоздания, и меняет правила службы. Евгений Росляков, сайты с 2016 года. Работаю как самозанятый по договору, закрывающие документы для юрлиц.

Система, в которой физический гуманоид учится ходить и держать равновесие с нуля. Что внутри: • C++17-сервер на NVIDIA PhysX 5: скелет из твёрдых тел и суставов, физика с высокой точностью решателя; • мышечная модель: каждая мышца задана точками крепления, максимальной силой, оптимальной длиной, сухожилием, углом перистости, скоростями активации и расслабления; мышцы обучаемые; • алгоритмы обучения: CEM, эволюционные стратегии, PPO, SAC, TD3 — переключаются пресетами; • веб-интерфейс «Control Room» на Three.js: 3D-вид в реальном времени, траектории, мышцы, отладочные слои, аттракторы, графики обучения; • всё настраивается JSON-конфигом, история обучения сохраняется чанками; • ранние версии — прототипы на Python с URDF-моделью. Стек: C++17, PhysX 5, CMake, nlohmann/json, JavaScript, Three.js, Python. Для вас: физические симуляции, робототехника и управление, обучение с подкреплением, 3D-визуализация процессов обучения.

Разработал gbrain.ru — образовательную платформу с AI-помощником для изучения школьных предметов и подготовки к ОГЭ, ЕГЭ и ВПР. Пользователь выбирает нужную тему, разбирает примеры, решает интерактивные задания и отслеживает свой прогресс в личном кабинете. AI-помощник помогает находить материалы и разбираться в объяснениях, а игровые тренажёры и награды поддерживают интерес к занятиям. В проекте объединил разработку интерфейса, серверной логики на Python и Django, личных кабинетов и AI-функций в работающий веб-продукт. Откройте gbrain.ru, попробуйте задание без регистрации и оцените в действии, какой сервис я могу разработать для вашего проекта.