Nurmukhamed Ashekey

AI engineer

JauapAI

Увеличил показатель удержания пользователей снизив время получения первого токена TTFT на 62% с 40 до 15 секунд через внедрение асинхронной обработки и тюнинг векторного поиска Решил проблему точности поиска сложной академической терминологии внедрив Hybrid Search на базе Dense и Sparse эмбеддингов что позволило устранить критические галлюцинации модели. Повысил качество RAG-пайплайна собрав ground truth eval dataset и настроив оценку через RAGAS: context precision вырос на 10%, context recall на 11% за счёт Hybrid Search и подбора оптимальной пары Dense/Sparse эмбеддингов

AI Engineer

ReelFarm

Ускорил процесс отладки и итерации промптов на 40% и значительно повысил надежность системы инициировав и интегрировав пайплайнo observability на базе LangFuse. Исключил 100% ошибок рендеринга сцен вызванных некорректными ответами моделей спроектировав архитектуру пайплайна структурированного вывода данных с жестким соблюдением JSON схем. Повысил фактологическую точность генерируемого контента проведя сравнительный анализ поисковых инструментов и интегрировав Tavily API для извлечения внешнего контекста.

AI Engineer/Founder

Otclick

нужно было создать свой аггрегатор работ. Я реализовал решение через проходку по API 6 ATS источников (greenhouse, ashby, lever, smartrecruiters, workable, recruitee, hiringcafe) каждый час через cron task. И так я снизил задержку поиска работы с средних 7 секунд до 3 секунд и реализовал semantic search по embedding в PostgreSQL через pgvector Расширение работала очень медленно, средний latency была 12 секунд на что сильно жаловались пользователи. Я решил улучшить эту метрику через тестирование разных моделей и в итоге пришел к выводу что самые лучшие модели для нас это LLama 4 Scout и GPT-5.

Computer Science, Bachelor

KBTU