Разработка системы для автоматической категоризации текстовых заявок техподдержки (более 60 категорий) и поиска дубликатов заявок. В результате система успешно категоризирует около 90% поступающих заявок. Были испробованы множество моделей, прежде чем нашлась подходящая архитектура на основе свёрточных нейронных сетей (CNN), дающая хороший результат с отличной производительностью. Система может обработать до полутора миллионов оригинальных заявок в один день на одном сервере с пиковой пропускной способностью в 40 заявок в секунду, что более чем достаточно для задачи. Из-за крайней специфичности текста пришлось тренировать собственные словари на основе уже имеющихся у компании текстов. Для увеличения точности были разработаны алгоритмы по чистке и фильтрации текстов, а также для его нормализации. Вся система обладает удобным интерфейсом, позволяющим контролировать и настраивать любые аспекты её работы. Система поставляется в виде образов Docker что позволяет её легко масштабировать на любое количество серверов. Сервер работает на Python/Django. Основные технологии и фреймворки: Keras, TensorFlow, numpy, pandas. Также ведётся разработка системы для автоматического предложения решений.

1) Создание системы рекомендаций контента с использованием Deep Learning и рекуррентных нейронных сетей на Python. Система обучилась рекомендовать подкасты для пользователей с учётом их интересов. Также система умеет находить похожие на заданный подкаст ролики и рекомендовать их во время прослушивания. Вектор интересов пользователя на основе прослушанных клипов создаётся динамически, что позволяет обновлять рекомендации после каждого прослушивания клипов. Были добавлены фильтры для рекомендаций, чтобы соблюсти баланс между exploration и exploitation. Также был создан алгоритм неперсонализированных рекомендаций, который позволяет ранжировать новые ролики в зависимости от их прослушиваний/лайков/скачиваний и их возрастом, чтобы улучшить раскрываемость нового контента. Основные технологии и фреймворки: Keras, TensorFlow, numpy, pandas 2) Разработка распределённой и масштабируемой системы конвертации аудио для сервиса Основные технологии и фреймворки: NodeJS/TypeScript, FFmpeg, Redis, RabbitMQ, MognoDB, Express, Inversify 3) Разработка c нуля приложения Soundstream. 4 месяца с начала до релиза. Приложение представляет из себя платформу для поиска и прослушивания подкастов. Основные технологии и фреймворки: RxJava, Retrofit, Dagger 2, Room, Mosby MVP.

Создание компьютерных игр и игр для мобильных. Полный цикл разработки от создания дизайн-документа до реализации и продвижения. Создание приложений и игр для Android (Unity, C++, OpenGL ES 2.0) + PC (Steam). Разработка кроссплатформенного 3D движка на С++, создание моделей, текстур. Разработка собственного бинарного формата для хранения моделей и экспортера для Blender. Проекты: https://play.google.com/store/apps/dev?id=6025611783433809839 http://store.steampowered.com/search/?developer=Mozg%20Labs