Опыт в AI-платформах, агентах, автоматизации и security

Банковская AI-платформа и production LLM-workflows

В регулируемой банковской среде нужен был путь от AI-экспериментов к поддерживаемым production-системам.

Что делал

• Отвечал за AI-направление, платформенный слой, ML/AI product lifecycle и production delivery.
• Формировал архитектуру LLM-систем, evals, guardrails, observability, cost control и CI/CD.
• Связывал product, analytics, ML, data engineering и доменных stakeholders.

Результат

Более сильная production-модель AI-работы: понятнее ownership, платформенное мышление, review discipline и переиспользуемые delivery patterns.

Агентная система для диагностики и профориентации

Образовательному workflow нужна была AI-система для психодиагностики и профессиональной ориентации.

Что делал

• Проектировал агентную систему вокруг структурированной диагностики, контекста, рекомендаций и состояния workflow.
• Связывал product requirements с поведением LLM, data model и operational handoff.
• Разбирал reliability и user-facing constraints, а не делал очередной generic chatbot.

Результат

Фокусный агентный workflow с понятными границами задачи, reusable decision logic и путем к практическому внедрению.

Корпоративные AI-воркшопы и enablement

Enterprise-командам нужно было понять, что реально могут LLM и агенты, где они ломаются и как выбирать первые проекты.

Что делал

• Готовил и проводил воркшопы по AI, LLM и агентным системам для корпоративных команд.
• Переводил возможности моделей в операционные паттерны: context, tools, evals, security и ownership.
• Помогал отделять ценные use cases от demo-driven шума.

Результат

Команды получали более реалистичный AI roadmap, меньше vague pilots и более сильный язык для production-решений.

AI-автоматизация, боты, Mini Apps и internal tools

Небольшим командам и операторам нужна была прагматичная автоматизация без ожидания большой внутренней платформы.

Что делал

• Разрабатывал Telegram-ботов, Mini Apps, n8n pipelines и internal workflows вокруг реальных бизнес-процессов.
• Интегрировал внешние API, структурированные формы, уведомления и human review points.
• Балансировал скорость, maintainability, observability и границы данных.

Результат

Более быстрые операционные workflows и понятный переход от ручного процесса к AI-assisted execution.

LLM security и prompt-injection research

Tool-using agents и RAG-системы создают риск глубже, чем обычное поведение чатбота.

Что делал

• Опубликовал материал про типы LLM-injection атак и способы защиты.
• Анализировал prompt injection, tool misuse, data leakage, context contamination и MCP/tooling risk.
• Переводил security concerns в review checklists, evals и architecture constraints.

Результат

Более сильный security angle для production AI: не только поведение модели, но permissions, tools, context, traces и human approvals.