Здравствуйте, я Артём

🚀 MVP: PredictMOEX 🚀

Веб-сервис для онлайн-прогнозирования движения фьючерсов Московской биржи. Автоматический пайплайн: сбор данных → подготовка признаков → инференс → визуализация результатов. Фокус на прикладных метриках: точность направления (Directional Accuracy), качество ошибок, стабильность сигналов. Интерфейс для просмотра истории, прогнозов и ключевых метрик с возможностью расширения под новые инструменты.

СБЕР Цифровой марафон 2026

Занято 24-е место в категории «Эксперт» из общего числа участников по трём категориям — 124 000 участников.
«Цифровой марафон Сбера 2026» — масштабный конкурс по развитию цифровых и IT-навыков, организованный Сбером совместно со «Школой 21» и «Нетологией». Участники соревновались в трёх категориях сложности: «Новичок», «Исследователь» и «Эксперт», выполняя задания, связанные с программированием, искусственным интеллектом, машинным обучением, кибербезопасностью и алгоритмикой. Программа включала образовательный этап, онлайн-тестирование, практический проектный этап и очный финал для сильнейших участников. Категория «Эксперт» была предназначена для участников с опытом и сильными навыками программирования.

🤖 Telegram-бот @KhiminArtemAI_bot

Компактный и быстрый Telegram-бот для распознавания объектов на фотографиях. Определяет людей, транспорт, животных и десятки других классов. Поддерживает фильтрацию по типам объектов, настройку порога уверенности и режимы быстрой/тяжёлой обработки.

💻 MM платформа MOEX

Многоуровневый Django-проект для работы с данными Московской биржи: сбор котировок и стакана, хранение в PostgreSQL, REST API на DRF и веб-интерфейс для анализа рынка и тестирования торговых стратегий. Основа для будущего продукта по алгоритмической торговле.

📈 FlaskParserMOEX

Лёгкий Flask-сервис для парсинга данных Московской биржи. Получает котировки и справочную информацию через MOEX ISS API, подготавливает данные для аналитики и обучающих ноутбуков и может использоваться как отдельный микросервис или песочница для экспериментов.

📊 PredictionMOEX

Набор моделей машинного и глубокого обучения для предсказания движения инструментов Московской биржи. Эксперименты с временными рядами, техническими индикаторами, LSTM/Transformer-архитектурами и подбором признаков для поиска устойчивых торговых идей.

🤝 ИИ-модуль для Microsoft Dynamics CRM (Coral Travel)

Нейросеть, интегрированная с Microsoft Dynamics CRM для обработки B2B-обращений клиентов Coral Travel. Анализирует текст запросов, извлекает номера заявок и ключевые детали и автоматически маршрутизирует тикеты в нужные группы поддержки. Архитектура поддерживает обратную связь из CRM и непрерывное дообучение модели, развёрнута на сервере заказчика.

🛠️ Предиктивная аналитика отказов оборудования (NORDAL)

Проект по прогнозированию отказов насосов и компрессоров на предприятиях тяжёлой промышленности. Модели ИИ анализируют данные с датчиков вибрации, температуры и давления (интервал 5 секунд), предсказывают вероятность отказа до 6 месяцев вперёд и указывают проблемный узел. Возможна интеграция с платформой «Лигея» для визуализации и мониторинга состояния парка оборудования.

👁️‍🗨️ ИИ-система распознавания лиц для терминалов «Ревизор»

Много-командный проект UniTech по созданию прототипа системы регистрации и распознавания сотрудников по лицу для терминалов «Ревизор». Реализованы режимы работы с видеопотоком, проверка «живости», управление базой сотрудников (PostgreSQL, SQLite), экспорт и импорт эмбеддингов, C#-клиент и Python-сервер. Используются различные стеки (dlib, ArcFace, insightface, каскады Хаара, SVM), предусмотрена расширяемая архитектура и детальная документация для развёртывания.

🚀📈 FANUC.PRO

Корпоративный лендинг для промышленного оборудования и автоматизации. Разработка, развертывание и техническое сопровождение проекта. Проектирование структуры и UX под промышленную аудиторию (B2B-сегмент). Разработка адаптивного лендинга с учетом скорости загрузки и SEO-оптимизации. Настройка домена, хостинга, HTTPS, серверной конфигурации и деплоя. Поддержка, обновления, контроль стабильности и безопасность проекта.

Web Development, Landing, Deployment, Hosting, SEO, Support

ВТБ Data Fusion Contest 2026-1

Участвовал в соревновании по Data Science — Data Fusion Contest 2026 (задача 1 «Страж»). Занял 148-е место из 1716 участников.
Выполнена задача классификации банковских операций в рамках антифрод-системы. Целью было выявление операций, не подтверждённых клиентами банка по причинам безопасности, то есть потенциально мошеннических транзакций.
В работе использовалась история операций около 100 000 клиентов за период 1,5 года. Данные были разделены на четыре временных интервала:
Pre-train (2023-10-01 — 2024-09-30) Использованы исторические операции клиентов без разметки для предварительного обучения моделей и извлечения признаков.
Train (2024-10-01 — 2025-05-31) Сформирован основной обучающий датасет с разметкой. В нём присутствовали:
🔴 неподтверждённые операции (целевой класс),
🟡 подозрительные операции, подтверждённые клиентами (не целевой класс),
🟢 остальные операции, считающиеся подтверждёнными.
На этом этапе выполнено обучение модели для разделения целевого класса и нормального поведения.
Pre-test (2025-06-01 — 2025-08-09) Использованы неразмеченные данные для отладки и проверки логики предсказаний перед финальным тестированием.
Test (2025-06-01 — 2025-08-09) Выполнена классификация операций и сформированы итоговые предсказания для отправки в соревнование.

ВТБ Data Fusion Contest 2026-2

Участвовал в соревновании по Data Science — Data Fusion Contest 2026 (задача 2 «Киберполка»). Занял 113-е место из 1155 участников.
Выполнена задача ранжирования банковских продуктов по вероятности их открытия клиентами.
Целью было построение модели, способной оценивать вероятность открытия каждого из 41 банковского продукта для клиента. В отличие от классической рекомендации, требовалось предсказывать именно вероятности по каждому продукту, что позволяло бизнесу гибко формировать персонализированные предложения. В работе использовались анонимизированные и обфусцированные данные около 1 000 000 клиентов.
Входные данные включали: 41 банковский продукт без описания, полностью скрытые признаки без семантики, информация только о типах признаков (cat_feature_i и num_feature_j), около 200 базовых признаков и дополнительно более 2 000 расширенных признаков, большое количество пропусков и выбросов в данных.
Train (750 000 клиентов) Сформирован обучающий набор с разметкой, на котором выполнялось обучение модели для предсказания вероятностей открытия продуктов.
Test (250 000 клиентов) Использован тестовый набор без разметки, на котором выполнялось ранжирование и формирование итоговых вероятностей для всех 41 продуктов на клиента.
В рамках решения выполнена обработка высокоразмерных данных, работа с пропусками и шумом, а также построение модели многоклассового вероятностного предсказания по продуктам.

АВИТО AvitoTech ML CUP 2026

Участвовал в соревновании по Data Science - AvitoTech ML CUP 2026. Занял 39-е место из 646 участников.
Задачей является предсказание актуальных для пользователя объявлений на основании истории пользователя и метаинформации о нем и объявлениях. Необходимо определить с какими объявления пользователь вероятнее всего проконтактирует.