Дмитрий Комаров
Независимый AI/LLM архитектор · бывший Head of AI в банкинге
Безопасный enterprise AI. От пилотов к production.
Помогаю компаниям превращать GenAI-идеи в измеримые production-системы: LLM-платформы, агентные workflows, AI security, автоматизация, observability, cost control и governance.
Head of AI в Росбанке; AI Lead в контексте перехода к Т-Банку
Строил AI-платформы и production LLM-workflows для регулируемой среды
Управлял AI/product analytics командами 30+ специалистов
Python с 2013; TypeScript, инфраструктура, локальные LLM, серверы и AI-железо
Автор статьи про LLM injection и AI security на Hightech.fm
AI Engineer в The Value Engineering: LLM, агенты, автоматизация, AI readiness
services
Чем могу быть полезен
Могу подключиться на разном уровне готовности: быстрый экспертный разбор, аудит готовности, LLM/agent security review, production-разработка или регулярное AI-лидерство.
Быстрый входAI/LLM консультацияФокусный разбор AI-задачи, архитектуры, выбора вендора, workflow или security-риска.
- Понятный следующий шаг
- Заметки по архитектуре и рискам
- Рекомендация: аудит или разработка
- Карта use cases
- Оценка рисков и готовности данных
- Roadmap с бизнес-эффектом
- Threat model
- Review attack surface
- План guardrails и observability
- Рабочий pilot
- Production-архитектура
- Evals, tracing и cost controls
- AI roadmap
- Решения по вендорам и архитектуре
- Enablement команды и governance
writing
Статьи и полевые заметки
Пишу о частях AI-работы, от которых зависит production: context engineering, evals, tool risk, security, локальные модели и операционная дисциплина.
Почему enterprise AI ломается между demo и productionEnterprise AI обычно ломается не на демо, а после него: когда система встречает реальные данные, доступы, workflows, evals, security, стоимость и ownership.AI Readiness Audit: как понять, где LLM и агенты реально дадут ROIПеред очередным AI-пилотом нужно проверить процесс, данные, риски, операционную модель и путь к ROI. Это аудит, который я провожу до рекомендации разработки.Context engineering для enterprise-агентов: почему промпта недостаточноEnterprise-агенты ломаются, когда контекст считают длинным промптом. Production требует scoped memory, retrieval, permissions, tool context, evals и observability.
process
Как начинаем работу
- Вы отправляете короткий бриф или сообщение в Telegram.
- Я уточняю бизнес-цель, риски, контекст данных и понимаю, могу ли быть полезен.
- Если есть fit, вы получаете конкретный следующий шаг: консультацию, аудит, security review, pilot или более долгосрочное AI-лидерство.