Специалист по работе с данными (data scientist) Казаков Денис

Содержание:

• Навыки
• Опыт работы
• Образование
• О себе

Навыки

• Машинное обучение:
• Большие языковые модели (LLM):
• Разработка запросов (prompt engineering).
• Дообучение (fine-tuning).
• Нейронные сети (PyTorch, HuggingFace, Ollama):
• Трансформеры.
• Использование при ограниченных ресурсах: квантизация, накопление градиентов (gradient accumulation), PEFT, LoRA.
• Классические методы ML (библиотеки sklearn, xgboost):
• Регрессия: линейная, нелинейная, регуляризация (лассо, ridge).
• Классификация: логистическая регрессия, KNN, SVM.
• Кластеризация.
• Деревья: случайный лес, бустинг.
• Cross-validation.
• Подбор гиперпараметров (Optuna)
• Преобразование признаков (PCA, SVD).
• Ансамбли, конвейеры (pipelines).


• Распознавание и синтез речи


• Обработка естественного языка:
• Машинный перевод.
• Оценка качества машинного перевода.
• Токенизация.
• Выявление имен собственных (NER).
• Классификация текстов.


• Статистика:
• Планирование экспериментов.
• Проверка гипотез.
• Оценка мощности критериев и требуемого размера выборки.
• Дисперсионный анализ.
• Повторные измерения.
• Bootstrap.


• Разведочный анализ данных (EDA)
• Библиотеки и фреймворки Python: PyCharm, NumPy, Pandas, Sklearn, StatsModels, SciPy, Matplotlib, XGBoost, Pydantic, FastAPI, requests, httpx, NLTK, SpaCy, Stanza, PyTorch, Ollama, Transformers, Accelerate, PEFT, Optuna, HuggingFace, LangChain.
• Инструменты: Jupyter Lab/Jupyter Notebook для экспериментов, PyCharm/Visual Studio Code для разработки.
• FastAPI
• Docker
• Git
• SQL(PostgreSQL, ClickHouse). NoSQL (MondoDB). Графовые БД (ArangoDB).
• BI: DataLens, Superset
• Linux
• Apache Airflow



В начало страницы

Опыт работы

• Апрель 2025 г. – настоящее время. Фрилансер

Разработка корпоративного ИИ-ассистента в компании Freedom Finance Technologies (финтех). Микросервисная архитектура (FastAPI, Docker Compose). Распознавание речи; анализ телефонных разговоров менеджеров по продажам с клиентами.


• Сделал компиляцию текста диалога из записи, в которой речь каждого собеседника записана в своем канале. Обеспечил корректную обработку ситуаций, когда собеседники говорят одновременно или перебивают друг друга.
• Обнаружил и устранил причину галлюцинаций модели.
• Усовершенствовал поиск пропусков в расшифровке.
• Prompt engineering. Переработал промпты для поиска нарушений законодательства в телефонных разговорах. Уменьшил количество ложных срабатываний в несколько раз.




• Июнь 2023 г. – март 2025 г. Лингвист-исследователь (data scientist) в экспертном центре компании AWATERA

Одна из крупнейших переводческих компаний России, СНГ и Восточной Европы. Экспертный центр отвечает за проведение исследований, поиск и внедрение новых технологий, создание новых продуктов и решение нестандартных задач.

Мои результаты:


• Работа с искусственным интеллектом


• Разработал метод оценки качества переводов с помощью ИИ для проверки тестовых заданий для новых переводчиков, чтобы снизить нагрузку на наиболее квалифицированных экспертов.
• Отбирал, оценивал и внедрял LLM (GPT, Anthropic Claude, Llama, Qwen, DeepSeek и др.). Работа через АПИ и локальное развертывание.
• Разрабатывал запросы к LLM (prompt engineering) для перевода и редактирования текстов. Применение ИИ значительно снизило объем ручной работы по переводу текстов, что дало большую экономию в масштабах компании.
• Предложил метод динамического формирования отрывков текста для оптимального использования контекстного окна LLM.
• Fine-tuning. Дообучал LLM под задачи, связанные с переводом текстов, используя накопленные в компании данные.



• Создал и поддерживал корпоративный сервис распознавания речи

Перевод звука в текст выполняли разработчики, запуская скрипты вручную в Google Colab. Предложил создать сервис для всех сотрудников с полным набором функций.

• Доступ для всех сотрудников через веб-интерфейс.
• Бэкенд на основе FastAPI.
• Развертывание на сервере или локально, в том числе в контейнерах (Docker).
• Подготовка аудиоданных: преобразование, разделение на части по паузам.
• Выбор моделей – локальных и удаленных.
• Сегментация по предложениям и времени.
• Автоматическое обнаружение галлюцинаций и пропусков в транскрипте.
• Редактирование транскрипта с помощью LLM с учетом тематики и списка терминов.
• Выбор формата транскрипта (txt, SRT, Excel).
• Доставка результатов по электронной почте.
• Добавление функций по запросам пользователей.
• Полное обслуживание: контроль версий (Git), логирование и исправление ошибок.
• Написал документацию, провел обучение пользователей и других разработчиков.



• Классификатор текстов по тематикам

Компания ежедневно обрабатывает сотни заказов на перевод, которые необходимо распределять по подразделениям в зависимости от тематики: технический перевод, юридический, медицинский и т.п. Обеспечил автоматическое распределение, что существенно сократило объем ручной работы.


• Подготовил данные для обучения.
• Выбрал архитектуру (BERT, RoBERTa).
• Обучил модели с учетом ограничений по ресурсам (gradient accumulation и т.п.).
• Продемонстрировал более высокую точность по сравнению с другими классификаторами.
• Оценивал качества работы в производстве.
• Создал пайплайн для обучения моделей, помог с освоением другим разработчикам.



• Прочие задачи по обработке естественного языка (NLP)


• Выявил ошибки в используемом расчете метрики качества машинного перевода (hLEPOR), по которой рассчитывали оплату труда специалистов.
• Решил задачу по созданию параллельных текстов для российских и международных нормативных документов. Устранил необходимость переводить все эти тексты заново.
• Анализировал новые методы оценки качества машинного перевода (BERTScore, COMET) и давал заключения для руководства.
• Разработал прототип корпоративного сервиса для генерации речи.
• Провел эксперименты с возможными компонентами и разработал прототип системы устного машинного перевода.
• Решил задачу по поиску имен собственных (NER) с помощью LLM для обезличивания текстов.
• Подбирал токенизаторы под разные задачи (NLTK, SpaCy, tiktoken, BPE, WordPiece).
• Решал проблемы с преобразованием форматов данных: JSON, XML, отраслевые форматы TMX и XLIFF (производные от XML).
• Разработал прототип системы RAG для корпоративной базы знаний по обучению персонала:
• Парсинг PDF.
• Поиск по векторной базе данных.
• Генерация с использованием результатов поиска (RAG).


• Анализ данных


• Обосновал и ввел в практику использование статистических критериев для оценки качества машинного перевода, сравнения разных систем и оценки требуемого размера выборки. Реализовал оценку необходимого объема выборки (мощность критерия) и определение статистической значимости выявленных различий, в том числе при множественном сравнении, с помощью статистических критериев и численного моделирования (bootstrap).
• Предложил и обосновал метод слепой оценки, обеспечивающий объективное сравнение разных систем машинного и человеческого перевода. Написал скрипт для выгрузки данных из КХД через АПИ, обезличивания данных и восстановления идентификаторов после оценки.
• Подготовил учебные материалы и провел обучение основам статистики и использованию скриптов.
• Делал визуализацию и презентации для лиц, принимающих решения.
• После запуска нового розничного бизнеса (FMCG) вел аналитику по продажам, отгрузкам и маркетингу:
• Предложил создать базу данных и выбрал архитектуру, что расширило возможности анализа с учетом исторических данных.
• Обеспечивал загрузку данных.
• Регулярно делал аналитику для следующих задач:
• Приоритизация маркетинговых мероприятий.
• A/B тесты.
• Выявление позиций, отсутствующих в торговых точках (on-shelf availability).






До этого – переводчик.