Инженер-разработчик

Булат Кульгильдин

Инженер-разработчик в части направлений «техническое зрение», «искусственный интеллект» и «анализ данных» ФГУП «ГосНИИАС»

Биография

Родился в 1995 году в Лениногорске (Республика Татарстан), окончил бакалавриат в  МГУ по специальности «Физическая электроника» / «Физика плазмы»  в 2017 году. В 2019 году окончил магистратуру в НИУ ВШЭ на факультете МИЭМ с красным дипломом по специальности «Материалы, Приборы, Нанотехнологии».

Опыт работы

Более двух лет в сфере разработки нейросетевых алгоритмов компьютерного зрения для решения задач семантической сегментации и анализа аэрофотоснимков, биометрии, обучения нейронных сетей.

Интересы

Глубокое обучение, Обучение с подкреплением, Автоматическое обучение, Техническое зрение, Физическая электроника, Квантовая электроника, Квантовые нейросетевые алгоритмы

Языки

русский (родной), английский (C1)

Реализованные проекты

  • Автоматизированное дешифрирование аэрофотоснимков в режиме реального времени, нейросетевой семантической сегментации, нейросетевого восстановления карты высот зданий. Сбор и подготовка данных из открытых источников, разработка собственного алгоритма сбора и обработки данных. Разработка оригинальной легковесной архитектуры для задач семантической сегментации. Обучениеразличны архитектур, исследование различных методов обучения нейросетевых алгоритмов. Используемый стек: PyTorch, scipy, numpy, pandas, sci-kit learn; plotly, graphlib, onnx, C# , torchlib, Docker, ОС: Ubuntu, Windows.
  • Программная клиент-серверная платформа обучения нейронных сетей, состоящая как из фреймворка собственной разработки, так и набора пользовательских интерфейсов для упрощения обучения. Разработка типового решения задач семантической сегментации изображений, API шаблонирования программных и алгоритмических модулей необходимых для упрощения использования кодовой базы конечным пользователем, разрабатывал модули блоков визуального программирования для снижения порога вхождения в разработку, обучения и применения нейросетевых алгоритмов. Разработкаадаптивных политик обучения и функции ошибки для устранения проблемы экстремально сильного дисбаланса обучаемых категорий. Используемый стек: Pytorch, CUDA, Docker, Qt, MongoDB,matplotlib, numpy. ОС: Linux.
  • Консультирование в задаче обучения с подкреплением, заключающейся в размещении специальной техники для отражения налета БПЛА. Используемый стек: PyTorch, matplotlib, numpy, Docker, ОС: Linux.