Антон Москвин занимается разработкой AI-ассистентов, AI-агентов и прикладных систем на основе искусственного интеллекта и машинного обучения для бизнеса, охватывая весь цикл — от анализа задачи до запуска и сопровождения. Он специализируется на автоматизации работы с корпоративными данными, документами, клиентскими запросами, маркетингом и внутренними процессами, создавая как самостоятельные сервисы, так и интегрируемые AI-функции. Более семи лет опыта в Data Science и ML Engineering, включая работу над production-решениями в Яндексе, Магните, Сбере и Газпромбанке, где реализовывал проекты по геопоиску, персонализации, рекомендациям и таргетированию. Работал над улучшением эффективности систем: снизил долю пустых ответов в геопоиске, ускорил диагностику запросов, повысил конверсию коммуникаций и увеличил базу подписчиков за счёт look-alike-моделей. Отвечает за анализ задач, архитектуру и ключевые этапы разработки, при необходимости привлекая команду из опытных разработчиков. Предлагает сотрудничество в форматах аудита, прототипирования, создания MVP, интеграции и технического сопровождения.

Портфолио

Навыки и технологии: машинное обучение, обработка естественного языка, анализ данных, Python, SQL, CatBoost, Keras, scikit-learn, pandas, NumPy, автоматизация процессов.

Проекты и достижения: Кандидат работал над несколькими значительными проектами, включая разработку рекомендательной системы для B2B-Center, где он применял методы NLP для анализа поведения пользователей и предиктивной аналитики. В Social Discovery Ventures он занимался определением микроконверсий для оптимизации рекламных кампаний, используя бинарную классификацию и анализ последовательностей действий. В Газпромбанке разработал три модели отклика клиентов на различные каналы, создав автоматизированный мониторинг для оценки качества моделей. В Сбер реализовал модель выбора наилучшего времени коммуникации, что привело к увеличению конверсии на 11%. В Магните создал единую витрину данных с более чем 200 признаками и внедрил несколько моделей для маркетинговых оптимизаций, что обеспечило значительный ROI. В Яндекс.Картах он автоматизировал диагностику и улучшил качество геопоиска в Турции, снизив долю пустых ответов с 10% до 2%.

Достижения и признание: Кандидат продемонстрировал способность достигать измеримых результатов, таких как увеличение ROI до 8% в маркетинговых кампаниях и сокращение времени диагностики проблем с 1–2 дней до 5–20 минут. Его проекты способствовали значительному улучшению качества услуг и оптимизации бизнес-процессов.

* создается нейросетью на основе портфолио, информации указанной пользователем о себе и отзывам от других пользователей

english version