Примеры работ и кейсы по направлению «Прикладное программирование»

Интерактивный 3D-просмотрщик моделей — автомобиль, вертолёт, самолёт, паровоз. Модели загружаются из GLB-файлов через GLTFLoader. - Панель деталей — все ноды модели сгруппированы - Умное обнаружение частей — алгоритм автоматически обходит иерархию GLTF, отфильтровывает scaffold-ноды и материальные примитивы - Корректное скрытие — container-ноды, mesh-container-ноды и sibling-примитивы обрабатываются независимо, исключая эффект каскадного скрытия

3D-визуализатор типовых проектов домов на базе Three.js. Пользователь в реальном времени настраивает параметры и видит изменения в сцене: - Отделка — фасад, цвет стен, пола, дивана, кухни, кровли - Опции — панорамное остекление, второй свет - Комплектация — Вайтбокс / Comfort (с инженерными сетями) - Слои сцены — показ/скрытие: стены, крыша, мебель, освещение, декор, инженерия (отопление, вода, вентиляция, электрика) - Сцена — время суток, яркость/контраст, тени, авто-вращение камеры, вид в разрезе - Смета — автоматический расчёт стоимости с PDF-экспортом

Участвовал и руководил разработкой Legal Document NER for Corporate Loan Decisioning в Сбербанке в роли Team Lead in R&D Department. Это AI-сервис для автоматического анализа юридических документов при рассмотрении корпоративных кредитов. Система помогала извлекать из документов важные данные: названия компаний, реквизиты, суммы, даты, стороны договора, юридические факты и другие сущности, которые нужны для принятия кредитного решения. До внедрения такой системы значительная часть проверки документов выполнялась вручную. Специалистам нужно было читать большие объемы юридических текстов, искать ключевую информацию и переносить ее дальше по процессу. Это занимало много времени и повышало риск ошибок. В проекте использовались Machine Learning, NLP, PyTorch и Python. Я участвовал в проекте с нуля до запуска и управлял командой из 11 человек. Главный результат проекта: ускорение процесса корпоративного кредитного решения с 7 дней до 7 минут, то есть примерно в 1440 раз. В результате банк получил инструмент, который быстрее обрабатывает юридические документы, снижает ручную работу и помогает быстрее принимать решения по корпоративным кредитам.

Участвовал и руководил разработкой Semantic Data Curation for AI Datasets для SuperAnnotate в роли Manager of ML Team. Это инструмент для поиска, отбора и подготовки качественных данных для обучения AI-моделей. Главная задача проекта: помочь командам быстрее находить нужные данные внутри больших датасетов. Обычно в ML-проектах много времени уходит не только на разметку, но и на отбор правильных примеров: найти нужные объекты, убрать лишние изображения, выбрать похожие случаи, проверить качество разметки и подготовить данные для обучения модели. В рамках проекта мы разрабатывали инструменты semantic data curation. Пользователь мог искать данные не только по названию файла или обычным тегам, а по смыслу, объектам, признакам и статусу разметки. Например, находить изображения с нужными объектами, уже размеченные элементы, похожие примеры или данные, которые требуют проверки. Отдельная часть работы была связана с функцией Find Similar: система помогала находить визуально и семантически похожие изображения. Это полезно для балансировки датасета, поиска дубликатов, поиска редких случаев и подготовки более качественной обучающей выборки.

Участвовал и руководил разработкой Video Auto-Annotation для SuperAnnotate в роли Manager of ML Team. Это инструмент для автоматической и полуавтоматической разметки видео с помощью компьютерного зрения. Главная задача проекта: ускорить подготовку видеоданных для обучения AI-моделей. В обычной видеоразметке человеку нужно вручную отмечать объекты на большом количестве кадров: людей, машины, животных, спортивные объекты, товары, действия или другие элементы. Это занимает много времени, особенно когда объект движется и его нужно отслеживать по всей видеодорожке. В рамках проекта мы разрабатывали AI-инструменты, которые помогают автоматически находить объекты в видео, переносить разметку между кадрами и снижать количество ручной работы. Пользователь не размечает каждый кадр с нуля, а проверяет и корректирует результат, предложенный системой. Отдельная часть работы была связана с качеством трекинга объектов по кадрам: важно, чтобы разметка не “прыгала”, не теряла объект и была удобна для проверки в реальном annotation-интерфейсе. В проекте использовались ML-модели компьютерного зрения, object tracking, работа с таймлайном, keyframes и интеграция результата в продуктовый интерфейс SuperAnnotate. В SuperAnnotate я управлял ML-командой из 3 ML Engineers и 1 Product Manager.

Участвовал и руководил разработкой Image Auto-Annotation Toolkit для SuperAnnotate в роли Manager of ML Team. Это инструмент для автоматической и полуавтоматической разметки изображений с помощью компьютерного зрения. Главная задача проекта: ускорить работу команд, которые готовят данные для обучения AI-моделей. Обычно разметчики вручную выделяют объекты на изображениях: товары, людей, машины, животных, дефекты, медицинские объекты и другие элементы. Это долго, дорого и легко приводит к ошибкам. В SuperAnnotate я управлял ML-командой из 3 ML Engineers и 1 Product Manager. Команда занималась продуктовыми инструментами для аннотации и оценки качества данных. В рамках этого направления были запущены инструменты автоматической разметки для изображений, видео и текста. В проекте мы разрабатывали AI-инструменты, которые помогают автоматически находить объекты на изображениях и предлагать готовую разметку пользователю. Человек после этого не начинает работу с нуля, а проверяет и исправляет уже подготовленный результат. Это снижает количество ручной работы и ускоряет подготовку датасетов. Отдельная часть работы была связана с качеством pre-annotation: чтобы модель не просто рисовала маски или боксы, а давала результат, который удобно проверять и дорабатывать в реальном annotation-интерфейсе. В результате инструменты SuperAnnotate помогли сократить ручную работу по разметке более чем на 40%, а процессы annotation и QA ускорялись до 100x.

Участвовал и руководил разработкой AI Text Detector для SuperAnnotate в роли Manager of ML Team. Это сервис для определения текстов, сгенерированных нейросетями. Идея проекта была не просто в том, чтобы “поймать ChatGPT-текст”, а в том, чтобы помогать компаниям получать и проверять текстовые данные для разметки без следов LLM-генерации. Это важно для обучения моделей, контроля качества датасетов, модерации, образовательных продуктов и платформ с пользовательским контентом. На тот момент многие похожие решения были больше ориентированы на академические тексты: эссе, статьи, студенческие работы. Мы же смотрели на задачу шире — как на продуктовый инструмент для проверки реальных данных, которые используются в AI-пайплайнах. В рамках проекта была разработана ML-модель для анализа текста и определения признаков AI-генерации. Проводили эксперименты, сравнивали качество модели с другими детекторами и тестировали ее на текстах, созданных разными генераторами: ChatGPT, GPT-4, GPT-3, GPT-2, Mistral, Cohere, Llama и другими. Качество сравнивалось на RAID Benchmark — одном из крупных публичных бенчмарков для AI text detection. На одном из срезов leaderboard модель SuperAnnotate AI Detector входила в топ-3 среди отображенных решений по aggregate-метрике. В результате получился инструмент, который помогает автоматически находить AI-сгенерированные тексты, снижать ручную проверку и защищать качество текстовых данных перед разметкой или обучением моделей.

Участвовал в разработке EmbeddingStudio в роли Head ML Engineer. Это платформа для умного поиска по данным компании: документам, товарам, изображениям, текстам, каталогам и другим материалам. Главная задача проекта — сделать поиск не только по совпадению слов, а по смыслу запроса. Пользователь может написать запрос обычным языком, а система понимает, что именно он ищет: объект, тему, категорию, ограничения, свойства и нужные фильтры. Отдельно работал над ML-частью поиска: embedding-моделями, векторным поиском, качеством выдачи и логикой разбора пользовательских запросов. Система помогает превращать неточный текстовый запрос в более точный поиск: выделять важные параметры, учитывать фильтры, понимать намерение пользователя и находить релевантные результаты даже без полного совпадения слов. Также в проекте была реализована логика автоулучшения поиска. Система собирает действия пользователей: клики, выбранные результаты, пропущенные варианты и другие сигналы. На основе этого поиск может становиться точнее со временем и лучше подстраиваться под реальные запросы пользователей. В результате бизнес получает поиск, который лучше понимает людей, быстрее находит нужные документы, товары или изображения, учитывает фильтры и постепенно улучшает качество выдачи на основе поведения пользователей.