-
-



-
-
-
-
-
-
-
-
-

-
-
-
-
-
-
-
-
-
-
-
-

решенных бизнес-кейсов в сфере ML, AI, IT для мировых лидеров: Philips, EPAM, Regeneron, Huawei и др.

20+

10+

лет преподавания лучшим студентам математического и IT-профилей в Политехе Петра

10+

лет опыт научной работы в сфере компьютерных наук на позициях: Chief Software Engineer, Lead Scientist, Algorithm Developer, Researcher

40+

дипломных проектов магистрантов, подготовленных на примере реальных технологических решений для бизнеса

Skills

SCRUM
C++, C++0x (C++11/C++14/C++17
and other), GLSL (OpenGL Shading Language), HLSL (High Level Shading Language), NVIDIA Cg
Python
Keras/Tensorflow
Cloud Healthcare API,
Google Cloud Platform
Boost, NVIDIA CUDA, OpenMP, Qt
OOP
OpenGL/DirectX
Design patterns
JavaScript

интересы

Decision Trees
Algorithms
Neural Networks
Machine Learning
Deep Learning
Pattern Recognition
Applied AI
Image Processing
Computer Vision
Signal, Image and Video Processing
Image Segmentation

сотрудничество
с лидерами рынка

Руководитель группы
в научно-исследовательских проектах с мировыми гигантами: Philips, EPAM, Regeneron, Huawei и др.

Комбинированный
бизнес-подход

Собственная система работы
над бизнес-задачами, сочетающая в себе продукториентированный подход и глубокую научную экспертизу в области ML, AI, IT

Интеграция
с образованием

10+ лет преподавания компьютерных наук
в Политехе Петра, привлечение студентов для реализации бизнес-задач и интеграция кейсов в учебные практики

Бизнес-кейсы

Команда проекта

3 человека

Срок реализации проекта

2 года

Централизация вычислительных ресурсов, управление разработкой и «озером данных» в рамках нескольких исследовательских лабораторий с общей дорожной картой

Описание

Платформа каталогизации и управления моделями Искусственного Интеллекта и данными компании

Онлайн-сервис с открытым исходным кодом для визуализации медицинских данных в реальном времени

Описание

Алгоритмы для визуализации данных низкого разрешения без визуальных артефактов и в реальном времени на базе трассировки лучей и webgl

5 лет

Срок реализации проекта

8 человек

Команда проекта

Инновационные алгоритмы для эффективного управления маршрутизацией

Описание

Применение академических знаний для создания максимально точного и производительного решения (*NP полные задачи, новые алгоритмы в дискретной математике)

6 месяцев

Срок реализации проекта

7 человек

Команда проекта

Инструментарий полуавтоматической разметки (fullstack, С++)
данных МРТ/КТ/УЗИ

Описание

Разработка продукта от формулирования бизнес-кейсов до планирования дорожной карты и создания конвейера непрерывной интеграции

3 года

Срок реализации проекта

13 человек

Команда проекта

Этапы работ

Обсуждение бизнес-задачи с заказчиком

Совместная подготовка технического задания, с учетом имеющегося опыта научной команды, возможностей заказчика, сроков и КПЭ

00

Самостоятельный подбор мотивированных и квалифицированных молодых специалистов в сфере ML, AI, IT, руководство созданной командой

01

Формирование команды
под бизнес-задачу

Формат разработки основан на современных agile методологиях, повышающих эффективность и скорость работы команды

02

Agile
методология

По всем вопросам проекта заказчик взаимодействует с руководителем команды. Быстрая реакция на комментарии и правки от заказчика со стороны команды

03

Принцип
«одного окна»

Для контроля и мониторинга процесса разработки техническому эксперту от заказчика требуется в среднем 1 час в неделю

04

Прозрачность
процесса разработки

Большинство студентов, участвующих в проектах, получают один или несколько офферов от компаний-заказчиков

05

Кадры
для компании

Новые практики и научные результаты, полученные
в процессе работы, могут быть включены в образовательные курсы университета от имени компании

06

Вклад компании
в образование

Научные проекты

Научные публикации

Kots, Mikhail, et al. «Semi-supervised Learning for Medical Image Segmentation». Proceedings of International Scientific Conference on Telecommunications, Computing and Control. Springer, Singapore, 2021.

Utkin, Lev V., et al. «Estimation of Personalized Heterogeneous Treatment Effects Using Concatenation and Augmentation of Feature Vectors». International Journal on Artificial Intelligence Tools 29.05 (2020): 2050005.

Utkin, Lev V., et al. «A New Adaptive Weighted Deep Forest and Its Modifications». International Journal of Information Technology & Decision Making 19.04 (2020): 963-986.

Utkin, L. V., Konstantinov, A. V., Chukanov, V. S., Kots, M. V., Ryabinin, M. A., & Meldo, A. A. (2019). A weighted random survival forest. Knowledge-Based Systems, 177, 136-144.

Utkin, L., Konstantinov, A., Meldo, A., Ryabinin, M., & Chukanov, V. (2019, April). A Deep Forest Improvement by Using Weighted Schemes. In 2019 24th Conference of Open Innovations Association (FRUCT) (pp. 451-456). IEEE.

Belyaev, S., Chukanov, V., & Shubnikov, V. (2017). Bump Mapping for Isosurface Volume Rendering. Journal of Image and Graphics, 5(2).

Медиа

Сайт создан в рамках конкурса молодых ученых: