Ilya Koryaev SUKUNA-AI

👾 WHO AM I

`// ИНЖЕНЕРНЫЙ ПРОФИЛЬ`

Я инженер на стыке Machine Learning, Data Engineering и Backend-разработки.

Работаю не с одним изолированным слоем, а со всей цепочкой:
данные → валидация → модели → pipelines → storage → API → queues → inference → Linux runtime.

Мне особенно интересны места, где инженерные области начинают влиять друг на друга:
где качество данных определяет качество модели, backend — надёжность inference, а infrastructure — реальную производительность всей системы.

`DATA → COMPUTE → MODEL → SERVICE → INFRASTRUCTURE`

Я люблю разбирать систему до внутренней механики:
как она устроена, где находятся реальные bottleneck, почему она ломается и как собрать её лучше.

⚔️ LOADOUT

`// ТЕХНОЛОГИЧЕСКИЙ СТЕК`

🧠 ML / DATA SCIENCE

Classical ML · Deep Learning
NLP · Computer Vision
Time Series · Transformers
VLM · Evaluation
Cross Validation · Uncertainty

🗄 DATA ENGINEERING

SQL · ETL / ELT
OLTP / OLAP · DWH
Data Modeling · Data Quality
Data Lake · Object Storage
Batch · Streaming · Orchestration

⚙️ BACKEND ENGINEERING

REST API · Background Jobs
Task Queues · Workers
Retries · State Management
Multiprocessing · IPC
Shared Memory · Testing

🖥 SYSTEMS / INFRASTRUCTURE

Linux Administration · Docker
Networking · Concurrency
C++ · CUDA · CMake
GPU Computing · Profiling
System Design

🚀 ML RUNTIME

`// INFERENCE`

Model Serving · GPU Inference · VLM / OCR

RAG · Embeddings · Vector Search · Evaluation

〄 MULTICLASS BUILD

`THREE CLASSES // ONE RUNTIME`

CLASS // 01

🧠 ML ARCANIST

MODELS · VISION
NLP · FORECASTING
VALIDATION

Данные превращаются в модели, а модели — в проверяемые и измеримые результаты.

CLASS // 02

🗄 DATA ARCHITECT

STORAGE · PIPELINES
DWH · QUALITY
ANALYTICS

Сырые источники превращаются в управляемые данные и аналитические слои.

CLASS // 03

⚙️ BACKEND WARDEN

API · QUEUES
STATE · WORKERS
RUNTIME

Модели и данные получают API, состояние, workers и нормальный lifecycle.

PRESTIGE // 04

☠ SYSTEMS ARTIFICER

RUNTIME · MEMORY
CONCURRENCY · GPU
PERFORMANCE

Data, ML и Backend сходятся в одну производительную и управляемую систему.

🔥 SELECTED PROJECTS

`// ПРОЕКТЫ, КОТОРЫЕ ДОКАЗЫВАЮТ СТЕК`

🛰 CareerOps

Data Engineering · Backend · Automation

Self-hosted платформа автоматизации и аналитики процесса поиска работы.

pipelines · PostgreSQL · object storage
integrations · audit · OLTP / OLAP

⛏ VKM Subsidence Forecasting

Applied ML · Forecasting · Research Engineering

Пространственно-временное прогнозирование оседаний земной поверхности.

rolling-origin CV · spatial CV
uncertainty · leakage control · reproducibility

🏦 Banking77 Benchmark Suite

Data Science · NLP · Deep Learning

Benchmark моделей для классификации банковских обращений по 77 интентам.

TF-IDF → LR → RNN → LSTM → GRU → Transformers
group-aware CV · macro-F1 · runtime comparison

👁 CV Curling

Computer Vision · YOLO · Video Processing

End-to-end CV pipeline для анализа видеозаписей кёрлинга.

Video → Frames → Masks → Annotations → YOLOv8
Detection → Coordinates → Metrics

🧠 Transformer Model

Deep Learning · NLP · Architecture

Собственная encoder-decoder реализация Transformer на PyTorch для EN → RU.

Multi-Head Attention · Cross-Attention
Encoder · Decoder · Greedy Decoding

≈190K EN/RU пар · BLEU 34.22

🧪 Engineering Lab

VisionDesk
multiprocessing · shared memory · IPC · OpenCV · QML

LLM Butler
C++20 · CMake · CLI · architecture

MAMBA-v2
sequence architectures · deep learning

Multimodal LLM
VLM · multimodal experiments

🗺 ENGINEERING MAP

`// КАК СХОДЯТСЯ ТРИ КЛАССА`

flowchart TB

    CORE["ENGINEERING CORE<br/>Python · SQL · Linux · Git"]

    ML["🧠 ML ARCANIST<br/>ML · DL · NLP · CV<br/>Forecasting · Evaluation"]
    DE["🗄 DATA ARCHITECT<br/>PostgreSQL · S3 · ClickHouse<br/>ETL · DWH · Streaming"]
    BE["⚙ BACKEND WARDEN<br/>FastAPI · Queues · APIs<br/>State · Workers"]

    MULTI["MULTICLASS SYSTEM<br/>DATA × ML × BACKEND"]

    SYS["☠ SYSTEMS LAYER<br/>C++ · CUDA · Linux<br/>Concurrency · Performance"]

    CORE --> ML
    CORE --> DE
    CORE --> BE

    ML --> MULTI
    DE --> MULTI
    BE --> MULTI

    MULTI --> SYS

    classDef core fill:#0D1117,stroke:#E22FE4,stroke-width:3px,color:#FFFFFF;
    classDef branch fill:#161B22,stroke:#8B5CF6,stroke-width:2px,color:#FFFFFF;
    classDef multi fill:#24112F,stroke:#E22FE4,stroke-width:3px,color:#FFFFFF;
    classDef systems fill:#101827,stroke:#5C8DFF,stroke-width:3px,color:#FFFFFF;

    class CORE core;
    class ML,DE,BE branch;
    class MULTI multi;
    class SYS systems;

🎴 PASSIVE SKILLS

`// ИНЖЕНЕРНЫЕ ПРИВЫЧКИ`

🧿 ВАЛИДАЦИЯ

Не доверяю красивой метрике без проверки того, как она получена.

Смотрю на качество данных, split, leakage и саму схему эксперимента.

⚒ АРХИТЕКТУРА

Разделяю данные, вычисления, API, состояние и инфраструктуру.

Чёткие границы делают систему проще для развития, тестирования и ремонта.

📡 ИЗМЕРЕНИЯ

Оптимизация начинается не с догадок, а с профилирования.

Latency, throughput, CPU, RAM, GPU и I/O показывают, где действительно находится bottleneck.

☠ НАДЁЖНОСТЬ

Timeout, плохой input, повторный запуск и нехватка ресурсов — обычные сценарии.

Ошибка должна быть наблюдаемой, локализуемой и иметь понятный recovery path.

`SUKUNA // MULTICLASS ENGINEER`

`DATA · ML · BACKEND · SYSTEMS`

Не коллекционировать технологии. Понимать, как они работают вместе.

Navigation Menu