Savva Benevsky

Занимаюсь машинным обучением более 10 лет — задолго до нынешней волны LLM. От классических моделей (регрессии, деревья, градиентный бустинг) до глубокого обучения на PyTorch.

• Classical ML и Deep Learning: Scikit-learn, XGBoost, LightGBM, PyTorch.
• Работа с данными: сбор, очистка и структурирование разнородных массивов, проектирование признаков и embeddings.
• Оценка качества: метрики точности, борьба с переобучением, честная валидация на отложенных выборках.

Научная степень в области технологий цифровой обработки данных (RTU MIREA, 2024). Диссертация — архитектура AI-стартапов на основе микросервисов. PhD-кандидат Satbayev University по методологии.

• Валидация моделей и алгоритмов: независимая оценка качества, чистоты метрик и наукоёмкости решений.
• Методология R&D: постановка исследований, оценка адекватности сроков, стоимости и результатов.
• Стандарты работы с данными: единые регламенты сбора, разметки и хранения в масштабе экосистемы.

Инфраструктурно-нативная AI-экосистема: строить production-приложения и деплоить куда угодно — с удобством no-code. «Cursor — это Photoshop, Lovable — Canva, Strayl — Figma».

• Мультиагентная архитектура: каждая AI-правка — в изолированной ветке, тесты в staging, conflict-free merge.
• Plan-First: архитектура и БД проектируются до кода — меньше галлюцинаций модели.
• Context-Native: агенты работают на живых runtime-логах и документации, а не только на тексте.

Serverless Git-бэкенд для AI-агентов. «E2B — compute для агентов, CoreGit — version control для агентов». Один API-вызов коммитит 1000 файлов атомарно (GitHub нужно 7–14).

• Semantic code search: гибридный vector + keyword поиск (Voyage AI + Pinecone) — по сути RAG-инфраструктура.
• LLM Wiki: версионируемая, searchable память агентов (паттерн Karpathy как managed API).
• Traction: в продакшене с 2026 — 35K+ API-вызовов от первого клиента, 34K/час пиковой нагрузки, 20+ репозиториев.