Данные и графы
Анализ данных, графовые представления и машинное обучение для задач банковской сферы.
МАКСИМ СУХАЦКИЙ / SIESHER
Данные.
Модели.
Системы.
Data Scientist / ML Engineer. Работаю с данными в банковской сфере, исследую обучение языковых моделей и разрабатываю AI-системы — от эксперимента до интерфейса.
Банковская сфера · Альфа-БанкМГТУ им. Н. Э. Баумана
Внимание к деталям. Проверяемые гипотезы. Любопытство надолго.
У каждой идеи своя история
ПОРТФОЛИО / DATA SCIENCE & MLОт задачи к реализации
01 / СПЕЦИАЛИЗАЦИЯ
На стыке данных и AI.
Инженерная практика и исследовательский подход в одном рабочем процессе.
Языковые модели
Дообучение, LoRA, preference optimization и оценка качества. Эксперименты с обучением без backpropagation.
Прикладные AI-системы
Агентные пайплайны, API, локальный инференс и интеграции. Связь модели с реальной средой и её ограничениями.
02 / ИЗБРАННЫЕ РАБОТЫ
Исследования и системы.
Четыре проекта: задачи, технические решения и открытые материалы.
01 /THE ART OF UNDERSTANDING01 / ОБРАЗОВАНИЕ · RESEARCH PROTOTYPE
MITS
Сократический STEM-тьютор: направляет вопросами, оценивает пробелы в знаниях и проверяет решения.
- ПОДХОД
- Profiler → Planner → Tutor → Verifier. Символьная проверка через SymPy / ChemPy и граф знаний.
- РЕАЛИЗАЦИЯ
- Qwen3.5-9B, пайплайн GSPO → KTO → DPO, API и веб-интерфейс.
02 /A DIFFERENT WAY TO LEARN
02 / ОБУЧЕНИЕ LLM · RESEARCH
D-MeZO-N
Децентрализованное дообучение LLM без обратного прохода: исследование оптимизации при ограниченной памяти.
- ПОДХОД
- Zeroth-order optimization, обмен между узлами, адаптивное ограничение момента и drift-reset.
- РЕАЛИЗАЦИЯ
- Реализация на PyTorch, теоретический разбор, multi-seed эксперименты и анализ отрицательных результатов.
↗
03 / ИГРОВОЙ AI · SYSTEMS
SupCom AI
Локальный LLM-бот для Supreme Commander: Forged Alliance — от игрового состояния до стратегического решения.
- ПОДХОД
- Lua-рефлексы, маршрутизация между Qwen3.5 4B / 9B и стратегия по правилам при недоступности модели.
- РЕАЛИЗАЦИЯ
- C++ DLL-мост, Named Pipe IPC, Python-сервер и игровой debug overlay.
⌘
04 / AI-ИНФРАСТРУКТУРА · TOOLING
OpenCode Homelab
Стек локальной AI-разработки с управлением инференсом, контекстом и инструментами агента.
- ПОДХОД
- OpenCode + llama.cpp + llama-swap. Router выбирает пресет контекста под размер запроса.
- РЕАЛИЗАЦИЯ
- Пресеты 65K / 128K / 256K, MCP-интеграции, скрипты установки и документация для Windows.
ИССЛЕДОВАТЕЛЬСКИЕ ЗАМЕТКИ
Результат — вместе с контекстом.
D-MeZO-N v2EXPERIMENT NOTES
−5.5%
loss относительно vanilla MeZO
Qwen3.5-4B-Base · MathLogicQA · 3 paired seeds. Средний loss: 1.368 → 1.293.
Прирост accuracy статистически незначим. Условия эксперимента и ограничения — в отчёте.
Разбор эксперимента ↗MITSEXPERIMENT NOTES
209
задач в production-aligned оценке
Qwen3.5-9B · Q4_K_M · self-consistency. Base: 69.4%; GSPO: 70.3%; KTO: 69.9%.
Эффект различается по предметам; есть регрессии. Отдельные режимы инференса сравниваются отдельно.
Разбор эксперимента ↗03 / ЗАПИСНАЯ КНИГА
Другие направления поиска.
Небольшие проекты и эксперименты, из которых вырастают новые вопросы.
04 / ОПЫТ И ОБРАЗОВАНИЕ
Практика,
которая ведёт дальше.
Мой фокус — машинное обучение и инженерия вокруг моделей. Работа с банковскими данными даёт прикладной контекст; открытые проекты — пространство для проверки новых методов, архитектур и инструментов.
01
ПРОФЕССИОНАЛЬНЫЙ КОНТЕКСТ
Data Scientist / ML Engineer
Альфа-Банк · банковская сфера и финансы. Анализ данных, графовая аналитика и машинное обучение.
02
ОБРАЗОВАНИЕ
МГТУ им. Н. Э. Баумана
Студент. Алгоритмы, структуры данных и программирование на C++; исследования и прикладные проекты в ML.
МОЙ РАБОЧИЙ НАБОР
05 / КОНТАКТЫ
Обсудим следующую задачу.
Исследования LLM, прикладное машинное обучение или AI-инструменты. Напиши о задаче — будет проще начать предметный разговор.