Обо мне

Я никогда не мечтал "стать программистом". Меня интересовали системы и причины, по которым они работают именно так.

Инженерное образование, которое я закончил в 2012 году, не дало великого откровения. Зато научило главному: разбирать сложное на части и искать закономерности.

В двадцать лет я оказался внутри крупного государственного механизма и увидел, насколько решения зависят от регламентов, согласований и бумаги. Тогда же у меня закрепился базовый принцип: эффективность рождается из структуры.

Я запустил агентство в сфере интернет-маркетинга и довольно быстро дошел до точки, где рост начал есть эффективность.

На старте все держалось на чатах и ручной координации: правки шли по десять кругов, дедлайны жили в Excel, а статус задачи определялся по памяти.

Когда команда выросла с 5 до 30+ человек, я охуел: половина времени уходила на тушение пожаров и пересылку задач между людьми.

Пришлось перепроектировать процессы. Я разложил работу на четкие этапы, внедрил CRM, убрал ручные отчеты и заменил их скриптами. Чтобы быстрее проверять гипотезы, сам подключал API и писал внутренние инструменты для команды.

После перехода на системный подход рентабельность выросла на 22%, а просроченные задачи почти исчезли. Тогда я окончательно понял: структура масштабируется лучше героизма.

Рынок смещался в сторону рекомендательных систем, больших данных и автоматизации. Я видел, куда все идет, и пытался перестроить агентство под разработку: мы брали стартапы, собирали продуктовые сайты и заходили в аутстафф.

Кода в моей работе становилось все больше. В IT было то, чего мне не хватало в маркетинге: прозрачная логика. Есть вход, есть код, есть результат.

Постепенно стало ясно, что агентская модель для такого перехода не подходит. Я начал собирать собственные IT-проекты: делал парсеры и ботов на Python, поднимал сервисы и проверял, как связать данные из SQL, логику и автоматизацию в одну рабочую систему.

Это были инженерные эксперименты, а не красивые запуски. Меня интересовало, где система ломается, как ее упростить и как сделать так, чтобы она работала не один раз, а стабильно.

В 2019 году я собрал первую ML-модель из форумных датасетов и подручных средств. Это была нейросеть на Keras, которая генерировала музыку. Работала она грубо, но важным было другое: модель действительно что-то делала сама.

Материалы уже были, но лежали кусками: Jupyter, Colab, статьи по TensorFlow. Я попытался собрать вокруг модели инфраструктуру и быстро понял, что дальше упираюсь уже не в модель, а в систему вокруг нее.

Меня начала всерьез интересовать инженерная сторона ML: данные, пайплайны, обучение, выкладка и эксплуатация.

Чтобы разобраться в этом на практике, я гонял небольшие сервисы на Heroku. Этого быстро перестало хватать. Хотелось понять, как устроены системы с большим трафиком, где ошибка стоит денег. Так я и пошел в сторону больших технологических компаний. Технических вакансий тогда не было, но опыт в маркетинге позволил зайти через Google, где я занимался аналитикой и цифровыми продуктами.

Внутри я прошел ML-программы: сначала на теории, потом на рабочих инструментах. Так появился первый опыт с BigQuery, Airflow и TFX. Я начал разбираться, как на самом деле живут ML-системы в эксплуатации: с требованиями к стабильности, логированию и релизам. Это и стало фундаментом моего инженерного подхода к ML.

Google закрыл офис. Мне предложили релокацию, но снова в маркетинговую функцию. К этому моменту я уже точно понял, что хочу отвечать не за кампании, а за систему: за архитектуру, надежность и то, как ML ведет себя в реальной эксплуатации.

С мая 2022 я вел ML-цепочку в B2B-платформе. Собирал модули ценообразования, генерации описаний и прогноза спроса на XGBoost и Scikit-learn. Под это спроектировал сквозной пайплайн с автопереобучением, резервными сценариями и мониторингом. Система держала SLA 99.9 % при ~1 млн предсказаний в сутки.

В 2023 я перешел в команду AI-платформы в e-commerce. Там уже был другой масштаб: мультимодальный поиск и рекомендации, эмбеддинги, поиск кандидатов, ранжирование в онлайне, жесткие ограничения по задержке и стоимости.

Под капотом CLIP и LLM приводили текст и изображения в общее векторное пространство, FAISS быстро поднимал кандидатов, а гибрид BM25 и нейросети собирал финальную выдачу. Позже я запустил онлайн-дообучение на кликах: CTR вырос на 14 %, инфраструктурные затраты снизились на 30 %.

Сейчас я отвечаю за поиск и рекомендации в e-commerce с трафиком около 10 млн запросов в сутки. Под капотом Triton для инференса, CLIP и FAISS для мультимодального поиска, BM25 и модели доранжирования, ONNX для части рекомендательных сценариев. На таком масштабе ошибка быстро превращается не в баг в логе, а в просадку по выручке, задержкам и качеству выдачи.

К 2025 изменилась сама постановка задачи. После бума генеративных моделей и агентных интерфейсов поиск перестал быть просто списком документов, а рекомендации - подбором похожих объектов. Система все чаще должна понимать намерение, держать контекст и доводить пользователя до следующего полезного действия.

Из-за этого выросла и цена архитектурных ошибок. Теперь мало быстро поднять кандидатов и аккуратно их доранжировать. Надо переживать шумные запросы, деградацию внешних моделей, скачки нагрузки, длинные цепочки признаков и постоянные эксперименты так, чтобы система оставалась управляемой.

Мой фокус в этом этапе сместился от отдельных моделей к платформенному слою вокруг них: автообновляемые пайплайны, наблюдаемость, контроль качества, резервные сценарии, воспроизводимые релизы, ясные границы ответственности. Чем больше вокруг шума, тем важнее, чтобы внутри системы все было разложено по полкам.

Для меня архитектура, которой доверяют, выглядит просто. Она переживает рост, спокойно принимает новые сценарии и не держится на одном герое. В 2025 это особенно видно по агентным сценариям: они не отменяют инженерную работу, они быстрее показывают, где система собрана на соплях.