Python Backend Developer LLM / RAG Systems

На данный момент Python Developer (Backend/RAG/LLM).

Мои компетенции и опыт

О себе

Python backend-разработчик с опытом создания production-сервисов, ML-пайплайнов и LLM/RAG-систем.
Разрабатываю backend-сервисы на FastAPI, работаю с PostgreSQL, Docker, Redis и ML-моделями.

Умею быстро погружаться в сложные задачи, декомпозировать их и доводить решения до продакшена.
Сейчас получаю второе высшее образование по направлению «Информатика и вычислительная техника».

Опыт

Python Backend Developer — ~4 года опыта

Разрабатываю backend-сервисы и ML-системы для обработки данных, анализа информации и автоматизации бизнес-процессов.

Основные направления работы:

Backend и инфраструктура

• Разработка backend-сервисов на Python (FastAPI, Flask)
• Проектирование API и микросервисной архитектуры
• Работа с PostgreSQL, оптимизация запросов и индексов
• Асинхронная обработка задач, интеграция внешних API
• Контейнеризация сервисов (Docker, Docker Compose)
• Настройка мониторинга (Prometheus, Grafana)

Data / ML / AI системы

• Разработка ML-pipeline и систем обработки данных
• Работа с NLP и LLM
• Построение RAG-систем (Qdrant, embeddings, RAGAS)
• Использование LangChain / LangGraph для AI-агентов
• Интеграция моделей BERT / LLM в production-сервисы

Примеры реализованных проектов

Система анализа новостей и торговых сигналов

• Разработал асинхронный сервис обработки новостей (10k–30k новостей в сутки)
• Интегрировал NLP-модель (BERT) и LLM для анализа тональности
• Реализовал торгового агента для автоматических сигналов через Bybit API
• Оптимизировал pipeline обработки: снизил latency API на ~25%, количество ошибок на ~40%

RAG-система оценки качества работы отдела продаж

• Разработал систему анализа диалогов на базе LLM + RAG
• Использовал Qdrant, embeddings (bge-m3), LangGraph
• Реализовал оценку качества разговоров и генерацию рекомендаций
• Добавил трассировку через LangFuse и автоматическую оценку через RAGAS

Система анализа видео

• Разработал backend обработки видеоданных
• Реализовал pipeline анализа видео с БПЛА для выявления повреждений инфраструктуры
• Интегрировал геопривязку и картографические API
• Оптимизировал обработку видеопотока, снизив нагрузку на CPU на ~80%