Ответ
В последние несколько месяцев я был сосредоточен на двух основных направлениях: промышленном ML-проекте и исследовательской задаче.
1. Промышленный проект: Разрабатывал и внедрял систему прогнозирования оттока (churn prediction) для мобильного оператора. Основной стек: Python, PySpark для обработки больших объемов сырых данных о звонках и трафике, CatBoost для моделирования (из-за эффективной работы с категориальными признаками, такими как тарифный план). Гиперпараметры подбирал с помощью Optuna. Ключевым достижением была интеграция модели в продуктовое окружение через MLflow и создание API на FastAPI, что позволило отделу удержания получать прогнозы в реальном времени.
2. Исследовательская задача: Параллельно участвовал в Kaggle-соревновании по прогнозированию спроса. Там я экспериментировал с ансамблями временных рядов, комбинируя LightGBM с Prophet и простыми линейными моделями. Основной фокус был на feature engineering — создании лаговых признаков, скользящих статистик и календарных фичей. Результат — вошел в топ-10% (Silver medal).
