Кейсы

Challenge

Нужно решение для отправки персонализированных маркетинговых предложений клиентам банка в реальном времени с минимальной задержкой. Стек должен встраиваться в существующий архитектурный ландшафт компании, а не строиться рядом с ним.

Action

За два месяца собрал команду экспертов с нуля. Спроектировал архитектуру, защитил на внутреннем РГА. Выбрал нестандартный стек: Apache Flink в роли стримового движка + Tarantool в роли горячего кэша (вместо классического HBase) — встроились в ландшафт без перепостроения соседей. Реализовал продукт на Java 21 + Scala + PostgreSQL + Apache Kafka + REST API + Istio + Spring Boot 3. Команда первая в банке полностью прошла импортозамещённый CI/CD на платформе «Сфера» от dev до production.

Result

С нуля до промышленной эксплуатации — за 5–6 месяцев при сложности системы 4/5. Текущие нагрузки: 20 ТБ данных в сутки, собственная витрина в сотни миллиардов строк. Реализованный продукт по всем современным стандартам: автоскейлинг, защита от падения, полная автоматизация, автовосстановление. В рамках команды полностью отсутствует технический долг. Совместный доклад на Saint HighLoad++ 2024.

Challenge

Объединённая команда специалистов по графовой платформе, геоплатформе, NER-сервисам и сервису маркировки данных для ML — в негативе, с ожиданием развала направления. Низкий уровень специалистов. Огромный технический долг. Шесть информационных систем под параллельным давлением.

Action

Объединил команды из разных направлений, поставил производственные рельсы. Определил вектор развития: автоматизация с 40% до 80% в рамках ИС, переход CI/CD к единому pipeline на TeamCity. Параллельно изучил все шесть информационных систем под капотом. Инициировал создание сообщества технических специалистов в Холдинге T1 — будущие Техногильдии.

Result

Технический долг сокращён почти в два раза. Устранены критические проблемы с информационной безопасностью и техподдержкой. Команда стабилизирована, направление сохранено и развивается дальше. Заложена основа для отдельного проекта Техногильдий.

Challenge

Превратить проект ВТБ в полноценный продукт Мирион: ETL-прототипирование, ML/AI-решения, графовый анализ. Нужны качественные текстовые данные с выделенными сущностями (адреса, телефоны), модели поиска дубликатов, концепция «золотой записи» клиентов.

Action

Прототипировал ETL-процессы на PySpark с оптимизацией через Spark Catalyst. Обучил ML-модели на Spark MLlib для нормализации текстов и выделения сущностей через Spark NLP, spaCy, ruBERT. Random Forest и GAN — для скрытых зависимостей. PageRank и Community Detection (GraphFrames, NetworkX) — для анализа узлов и кластеризации. Спроектировал переход от монолита к микросервисам через REST API + Kafka.

Result

Продукт Мирион вышел из лабораторного проекта в полноценное производственное решение. Демо доступно публично: vk.com/video-213352355_456239111.

Challenge

Данные неконсистентны между юрлицами и 1С-инсталляциями. Ежедневная отчётность для акционеров США регулярно с ошибками. Нет единой модели данных, нет Data Governance, нет Data Management.

Action

Разработал ИТ-архитектуру данных компании (НСИ + мастер-данные). Описал ландшафт: 1С ДО / Корп / ЗУП / УПП / УТ — версии для разных юрлиц. Защитил проект адаптированной Data Governance перед финансовым директором и президентом KM Россия. Собрал проектную группу из 50+ человек от IT и бизнес-подразделений. Управлял проектом по водопадной модели: планирование, контроль сроков, координация работы команды.

Result

Решение принято в материнской компании и масштабировано на весь холдинг в РФ. Ежедневная отчётность для инвесторов США выходит без ошибок. Качество и надёжность информационных потоков повышены. Это был мой первый опыт управления проектами на этом масштабе.

Challenge

Три разных боли в одной компании: маркетинг кулинарии не имел внятной модели эффективности; цифровой мерчендайзинг отставал от роста федеральных сетей; SLA по заявкам торговой команды в бэкофис данных — два месяца, торговая команда стояла.

Action

Стажёром: разработал финансовую модель оценки эффективности маркетинговых активностей бизнеса Кулинария. Заложил основу стандарта цифрового мерчендайзинга на математической модели — аналог Amazon. Менеджером бэкофиса: автоматизировал приём и обработку заявок через Microsoft Flow + Python-скрипты. Параллельно участвовал во внедрении Microsoft Dynamics CRM как заказчик: модули ТЗ, проверка реализации, миграция данных.

Result

Финансовая модель — потенциальное снижение затрат на маркетинг 2–5% годового бюджета бизнеса. Цифровой мерчендайзинг — потенциальная оптимизация штата более чем на 30%. Автоматизация бэкофиса — SLA с 2 месяцев до 5 рабочих дней. Стал ответственным за управление мастер-данными в компании.

Challenge

Запуск 4–5 параллельных проектов одним человеком — стандартные agile-инструменты не работают: нет стенд-апов, нет тимбилдингов, рассеивается фокус, теряется контекст между сессиями. Современные AI-агенты (Claude Code) дают рычаг, но без методологии превращаются в хаотичный «вайб-кодинг».

Action

Спроектировал 6-фазный цикл RESEARCH → SPEC → PLAN → BUILD → VERIFY → LOG. Реализовал ночной автопилот через Claude Code OAuth + cron + git hooks. Telegram-бот двусторонней связью — голос + текст + фото. Hard-stop на 30 итераций, бюджетный лимит на API, depth-limit на декомпозицию задач. Collab-audit между параллельными сессиями. Selective skip-permissions только для BUILD/REFACTOR/DECOMPOSE — остальное под человеческим контролем.

Result

Текущая версия v5.0-alpha. Управляю на нём 5 проектов одновременно: Decision Engine (рабочий), Digital Artel (со-фаундером), KidsDropIn (партнёрский), dev-planning (одиночный), сам lovtsov-dev. Главный артефакт vibe coding в моём подходе — методология, а не магия.

Challenge

Демо-портфель ML-инженерии: от классической аналитики через LLM-интеграции к графовым системам и реактивным потокам. Цель — показать full-spectrum компетенции в одном репозитории.

Action

Реализовал 10 production-ready систем: MLOps-pipeline, RAG, NER, Graph Fraud Detection, Real-time Anomaly, Computer Vision, Pricing, LLM Code Review, RecSys, Data Quality framework. Стек подобран под индустриальные стандарты: CatBoost, LightGBM, LangChain, Claude API, PyTorch Geometric, Kafka, FastAPI. Полный CI/CD на GitHub Actions, 185 тестов в зелёной зоне.

Result

Открытый портфель уровня senior ML engineer: 23K Python-файлов, 10 Docker-стеков, документация и тесты. Покрывает потребности нанимающего CTO и заказчика консалтинга в области ML-архитектуры.

Challenge

Стандартные PM-инструменты (Jira, Asana) измеряют деятельность, а не реальную эффективность. Нужен личный roadmap-инструмент, который автоматически распределяет задачи по доступной ёмкости и считает реальную утилизацию.

Action

Python/Flask + SQLite + Chart.js. Ядро — OR-Tools CP-SAT solver: формальное распределение задач по командам с учётом приоритетов, зависимостей и пропускной способности. Spринты, бэклог, Gantt, граф зависимостей. 1194 тестов покрывают core-логику.

Result

Использую для планирования собственных квартальных roadmap. Кейс публичной демонстрации математической оптимизации в реальном инструменте — без корпоративного контекста.

Challenge

Стандартная корпоративная модель распределяет ценность непропорционально вкладу: инженер создаёт миллионы — получает оклад. Нужна альтернативная организационная форма, где совладение результатами работы заложено в архитектуру компании, а не в красивые слайды.

Action

Совместный проект с Юрой Ребешкиным. Я отвечаю за концепцию и техническую архитектуру. Стек: Scala/ZIO backend (надёжность типизации) + Next.js frontend. Модель ролей и прав, E2E-тесты, production-grade готовность.

Result

Production-сервис в активной фазе. ~7341 файл кодовой базы, 250+ E2E тестов, 7 ролей. Открытая возможность для senior+ инженеров присоединиться как со-владельцам результата.

Challenge

Стартап на стадии MVP с амбициозным запуском в продакшен. Под NDA до релиза. Технологический партнёр нужен для архитектурных решений, выбора стека и сопровождения разработки в режиме vibe coding с командой.

Action

Сопровождаю как технологический партнёр. Стек: Next.js 14 + PostgreSQL + Telegram Mini App. Самая показательная работа — миграция картографии с OpenStreetMap на MapLibre self-hosted, выполненная с полной AI-ассистированной разработкой. Карта работает в production и закрывает реальную бизнес-потребность проекта.

Result

Продукт выходит в 2026 году. После запуска можно будет рассказать детали полностью. До этого — отдельная демонстрация vibe coding, где AI-ассистированная разработка не «попросил у LLM», а полноценная инженерная практика на production-уровне.