Сбербанк

● Прогнозирование действий пользователей в финтехе: разрабатывал методологию в R&D-проекте по предсказанию поведения в финансовых транзакциях, применяя state-of-the-art модели (BERT4Rec, Mamba). Достиг NDCG@10 = 0.45, что сопоставимо с лучшими мировыми результатами. ● Академические партнёрства: координировал НИОКР с 3 ведущими университетами, обеспечив интеграцию результатов исследований в 2 production-системы банка.

Go Invest (Альфа-банк)

● Запустил поисковую систему ценных бумаг на базе fine-tuned Qwen, заменив стандартные фильтры на поиск на естественном языке. Достиг SLA инференса <0.5с за счет оптимизации vLLM. ● Разработал NLP-пайплайн для real-time суммаризации финансовых новостей из 10+ источников, интегрированный в корпоративное хранилище данных. ● Спроектировал систему модерации пользовательского контента на базе модели Saiga для инвестиционной соцсети, что позволило автоматизировать проверку 90% постов. ● Интегрировал в Bitbucket ИИ-ассистента для код-ревью на базе Qwen, сократив среднее время проверки pull request’ов с 40 до 5 минут.

Росбанк

● Система анализа юридических документов: возглавил разработку автоматической классификации и извлечения данных из 100+ типов документов, используя Tesseract OCR и ML-модели. Проект принес расчетный ROI 86 млн. в год за счет сокращения ручного труда. ● RAG-система для юридического департамента: развернул решение на базе LLaMA, предоставив сотрудникам инструмент для консультаций по корпоративной базе знаний и сократив время поиска информации на 80%. ● Автоматизация ответов правоохранительным органам: создал систему генерации ответов на основе LLaMA, что ускорило обработку запросов в 3 раза и снизило риск человеческой ошибки.