Корпоративный университет Сбербанка
Data Science
Sergey Plotnikov
AI Product Engineer / ML Developer
Создаю production AI-системы полного цикла: от сбора промышленных данных и машинного обучения до LLM-сервисов, backend-инфраструктуры и развёртывания.
Широкая инженерная экспертиза с фокусом на внедрение
Технологический стек
Машинное обучение и данные
- Python
- pandas
- NumPy
- scikit-learn
- LightGBM
- CatBoost
LLM и AI
- LLM
- RAG
- RAGFlow
- OpenAI / LLM APIs
- Local LLM
- Prompt Engineering
Backend и API
- Flask
- FastAPI
- Django
- REST API
- HTTP
- Bearer Authentication
Данные и хранилища
- SQL
- ClickHouse
- MySQL
- SQLite
- Elasticsearch
- Redis
Образование и достижения
Московский государственный университет имени М. В. Ломоносова
Магистр государственного управления
Российская академия народного хозяйства и государственной службы
Бакалавр менеджмента
Национальная премия поддержки талантливой молодёжи
Инженерные кейсы
Платформа сбора промышленных PLC-данных
Построил read-only пайплайны сбора данных с промышленного оборудования: от edge-коллекторов PLC-сигналов до ClickHouse, мониторинга, аналитики и подготовки данных для ML.
- Python
- Mitsubishi MC/SLMP
- PLC
- TCP/UDP
- SQLite
- ClickHouse
- Grafana
- FastAPI
- systemd
- Docker
Production ML и shadow inference для производства
Построил ML-пайплайны на реальных производственных данных: от временных окон PLC и моделирования брака до online inference и проверки моделей в shadow mode на работающем оборудовании.
- Python
- LightGBM
- XGBoost
- CatBoost
- scikit-learn
- ClickHouse
- Time Series
- Online Inference
- Shadow Inference
Семантическая карта PLC-сигналов и узлов станка
Связал тысячи низкоуровневых PLC-регистров с реальными узлами и процессами станка, используя историческую телеметрию, электрическую документацию и полевую проверку.
- Python
- PLC
- Mitsubishi
- ClickHouse
- YAML
- HMI
- Electrical Schematics
- RAGFlow
Технические статьи
API для управления клеевыми головами на станке. Было сложно...
Недавно у меня появилась прикладная инженерная задача: сделать API для нескольких промышленных клеевых установок.
Как собрать локального ИИ-агента для заводской документации
На производстве у нас есть типичная заводская боль: документации много, она разная, часть на русском, часть на английском, часть на китайском, а искать по ней надо быстро и желательно без ошибок.
Shadow inference на заводе: как проверить ML на реальном станке и ничего не сломать?
В прошлой статье я писал о том, как чистил PLC-сигналы, убирал leakage, отделял реальные предвестники от обычных режимов станка и вообще пытался понять, что именно нашла модель.