Кейсы

Расширить Decision Engine с real-time на batch — самое сложное. На вход поступает вся клиентская база банка: каждого клиента нужно проверить, актуализировать и провести через корректный pipeline данных, прежде чем сформировать предложение. До меня полный расчёт клиентской волны занимал до месяца — разрозненные ручные пересчёты, ~150 бизнес-отсечений руками, неподдерживаемый монолит. Параллельно — переписать огромную legacy-систему с колоссально сложными алгоритмами по всему клиентскому пути. И всё это — на крайне неблагоприятном рынке с высокой ключевой ставкой.

Возглавил кластер: портфель, ресурсы, защита стратегии на C-level. Пересобрал расчёт в единый автоматический pipeline: Apache Flink забирает данные из любого источника → S3 → 150+ бизнес-отсечений автоматически → Kafka → калькулятор офферов → приоритизация. Real-time и batch — на одном движке. За 2025-й вместе с командами полностью переписал legacy: не «техническая миграция», а новые, по-настоящему сложные алгоритмы обработки данных по клиентскому пути.

Расчёт всей клиентской базы — с ~месяца ручных пересчётов до ~2 дней. 150+ отсечений применяются автоматически вместо ручной работы. Time-to-Market вырос в разы: вместо неподдерживаемого монолита — управляемый производственный процесс. Выручка миллиардного масштаба.

Требовалось создать решение, аналогичное SAS RTDM, для отправки персонализированных маркетинговых предложений клиентам в реальном времени с минимальной задержкой. С нуля до промышленной эксплуатации за 5–6 месяцев, с подготовкой к высокой нагрузке и масштабированию.

За 2 месяца собрал команду экспертов с нуля. Спроектировал архитектуру, защитил на внутреннем РГА, разработал сценарии масштабирования. Реализовал продукт из более чем 15 микросервисов на Apache Flink, Tarantool EE2.0, Java 21, Scala, PostgreSQL, Apache Kafka, REST API, Istio, Spring Boot 3.

Промышленная эксплуатация в апреле 2024. Команда первая в ВТБ полностью на импортозамещённом CI/CD «Сфера». Современные стандарты: автоскейлинг, защита от падения, полная автоматизация, автовосстановление. В команде полностью отсутствует технический долг. Совместный доклад «Опыт перевода банковского продукта в реалтайм» на HighLoad++ Saint, июнь 2024.

Не готовая команда, а группа людей, собранная из осколков разных команд: графовая платформа, геоплатформа, NER-сервисы, сервис маркировки данных для ML. Её нужно было объединить в команду, поставить производственный процесс и запустить — на фоне мигрировавшего legacy, технического долга, фрагментированного CI/CD и разрозненных стандартов.

Объединил осколки в рабочую команду и поставил процесс с нуля. Запустил переход CI/CD на единый pipeline (TeamCity), разгрёб миграции и долги, выстроил ресурсный менеджмент. Инициировал сообщество технических специалистов в Холдинге T1 — старт Техногильдий.

Автоматизация процессов выросла с 40% до 80% — вдвое. Технический долг сокращён почти в два раза, закрыты критические проблемы с информационной безопасностью и техподдержкой.

Трансформация проекта ВТБ в полноценный продукт Mirion: нужна full-stack аналитика от ETL-прототипирования до ML/AI-решений и графового анализа.

Прототипировал ETL на PySpark с оптимизацией через Spark Catalyst, обучал прототипы ML-моделей на Spark MLlib (Spark NLP, spaCy, ruBERT), применял Random Forest и GAN. R&D графовых моделей (PageRank, Community Detection в GraphFrames, NetworkX), концепция «золотой записи» клиентов. С мая 2022 — руководитель группы аналитиков, ревью ETL ODS → DDS → CDM → ArangoDB graph.

С февраля 2023 — функции замещающего ИТ-лидера, включая ресурсный менеджмент. Параллельно — 9-месячное обучение по управлению ИТ-командами от Стратоплана (Hi-PO).

Архитектурные практики жили в силосах. Команды переоткрывали одни и те же решения на разных продуктах, технический долг рос, не было единых стандартов.

Инициировал и запустил сообщество техногильдий: руководил 20+ экспертами, защищал проект на уровне CEO-1, выстраивал единые стандарты и обмен опытом между командами холдинга.

1000+ кейсов решено сообществом. Поэтапное сокращение затрат на разработку на 40%. Экономия 2–3 недели разработки командам в среднем.

ИТ-архитектура данных холдинга (НСИ и мастер-данные) была фрагментирована. Проблемы с ежедневной отчётностью для инвесторов США в материнской группе.

Разработал ИТ-архитектуру данных, защитил проект адаптированной Data Governance перед топ-менеджментом — первый опыт управления проектами. Перестроил потоки данных по водопадной модели в материнской компании. R&D по локальным ML-моделям (pymorphy2, K-Means).

Решение масштабировано на весь холдинг в РФ. Устранены проблемы с ежедневной отчётностью для инвесторов США, снижены операционные риски. Стек: Python, SQL, Pandas, NumPy, Seaborn, MS Visio, 1С (ДО, КОРП, ЗУП, УПП, УТ).

Вести портфель и разрабатывать несколько продуктов сразу обычно требует нескольких команд. У меня их нет — только я и LLM-стек. Нужна методология, при которой один человек + AI стабильно закрывает объём нескольких команд.

Кодифицировал мульти-агентный цикл, где человек задаёт вектор, а не пишет код: RAG по архитектурным решениям, аналитика по trace-логам, авто-черновики ADR, AI-augmented декомпозиция бэклога. Роль человека — как в градиентном спуске: показать направление, уточнить мысль, получить готовую аналитику и на ней принять решение.

По моей оценке, один фреймворк с одной подпиской уровня Max закрывает объём ~2–3 команд разработки — при активном участии одного человека, задающего вектор. На LAF собраны несколько продуктов: Dev Planning, приложение для рынка (в стадии тестирования) и сам LAF.

Тех-специалисты создают ценность, но получают её редко: фиксированный оклад, непрозрачные опционы, культура выгорания. Кооперативная модель в IT-РФ почти не представлена.

Технологический советник проекта федеративной кооперации: совладение результатами разработки, прозрачные доли по реальному вкладу, демократические голосования. Telegram Mini App для управления в разработке.

Платформа в активной разработке, первая волна участников. Inspired by Mondragon, ESOP, РАД-КОП.

Реальные кейсы real-time / data / engineering management слабо документированы в русскоязычном комьюнити — каждая команда переоткрывает одни и те же грабли.

10+ докладов: HighLoad++ Saint 2024 («Опыт перевода банковского продукта в реалтайм»), АиУП 2024 («Как собрать команду экспертов», «Ускорение разработки с AI»), Analyst Days 15 (2023, «Узри, падаван, путь данных»), Импульс 2023 («Синергия сообществ»), Analyst Days 14 (2022, «Не крась траву — риски данных в BANI мире»).

Track-record на крупных IT-конференциях, публичные кейсы вместо success-only. Доклад HL++ Saint 2024 опубликован в HighLoad Channel на YouTube.

Проблема, а не «челлендж»: нужно спроектировать всю нагрузку команды, оценить производственные pipeline и дать реальную оценку сроков — без ручного project-менеджмента. И не просто оценить, а уметь гибко этой оценкой управлять. Существующий tooling заточен под scrum-мастера, а не под тех-лида: утилизация, риски срыва, зависимости — всё руками.

Технологический партнёр инструмента: планирование и измерение утилизации команд с AI-модулем. Автоматический разбор бэклога, оценка зависимостей, прогноз срыва дедлайна, AI-augmented декомпозиция задач и гибкая переоценка по ходу.

MVP в активной разработке, прототип на узкой группе тех-лидов. Уровень — не классический PM-tool, а управляемая эффективность производственного процесса.