- Спроектировал и внедрил 10+ production-систем компьютерного зрения (YOLO, TensorFlow, PyTorch) для детекции и классификации объектов на производстве, обеспечив точность 93-97% в условиях шума, переменного освещения и ограниченных датасетов — за счёт кастомных пайплайнов аугментации данных.

- Оптимизировал модели для инференса на edge-устройствах (Jetson Nano, Raspberry Pi), сократив время отклика на 50% и потребление памяти на 35% - за счёт конвертации в ONNX/TensorRT, квантования и прунинга.

- Как TeamLead выстроил процесс полного цикла разработки CV-моделей (данные → обучение → оптимизация → деплой) для команды из 4 инженеров.

- Спроектировал и внедрил OCR-пайплайн (CRNN + OpenCV) для извлечения текста из зашумлённых сканов и фото документов, достигнув точности распознавания 95% за счёт этапа предобработки (выравнивание, шумоподавление, нормализация).

- Внедрил NLP-модули (Transformers, RuBERT, GPT) для автоматической классификации и структурирования 10 000 документов/месяц, снизив долю ручной обработки на 90% и ускорив обработку потока данных в 8 раз.

- Довёл систему от прототипа до продакшена, интегрировав OCR+NLP пайплайн в существующую производственную инфраструктуру без остановки процессов.

- Спроектировал и развернул REST API (FastAPI/Django) для инференса моделей CV/NLP/аудио, обеспечив стабильную обработку 200 000+ запросов/в сутки с временем отклика 80-150 мс.

- Внедрил асинхронную обработку задач (Celery + Redis), ускорив ML-пайплайны на 60% и обеспечив распределённую обработку данных без узких мест.

- Контейнеризировал сервисы ML (Docker), обеспечив воспроизводимость деплоя и сократив время выкатки новых версий моделей с 3-4 часов до 15-20 минут.