OUR COMPANY
Специалист по внедрению ИИ
на стыке бизнеса и технологии

Управленческий опыт в ИТ и академический бэкграунд.

Теперь мой профессиональный путь — аналитика данных и внедрение ИИ: соединяю управленческий опыт с прикладными навыками — Python, Nodul, LLM — и прихожу не менеджером со стороны, а технологическим экспертом внутри. Показываю не просто код, а бизнес-выводы: метрики, закономерности, решения.

Смотреть проекты Написать в MAX
  • 12 лет
    управления ИТ: проекты, команды, бюджеты
  • 2 диплома
    о профессиональной переподготовке: «Аналитик данных (Python)» и «Специалист по внедрению ИИ», всего 516 часов
  • 2 проекта выполнены
    1. Анализ данных на Python (20 тыс. строк)
    2. Автоматизация на Nodul — 73 рабочих узла
  • 1 год
    Курс ML-инженер от Яндекс- Практикум, старт 27.08.2026г.
О себе: системный переход в ИИ
Два профессиональных трека:
ИТ-бизнес (12 лет) — управление проектами, бюджетами, командами.
Академическая среда (13 лет) — преподавание, научная работа.
Сейчас фокус — практическая работа с данными и ИИ. В 2026 году
завершила две программы профессиональной переподготовки:
«Аналитик данных (Python)» (260 часов)
«Специалист по внедрению ИИ» (256 часов)
Выход каждой программы — готовый проект с метриками, ограничениями
и планом следующего шага:
  1. ИИ-ассистент контроля поручений в Nodul: 73 узла автоматизации, эффект — контроль с 10 часов в неделю до 5–10 минут в день, экономия ~4 млн ₽/год.
  2. Анализ рынка вина: 20 000 записей, 31 страна — какие признаки имеют наибольшее влияние на рейтинг вина, составляемого специализированным журналом Wine Enthusiast.
Не останавливаюсь: с 27 августа начинаю годовой курс «ML-инженер» в Яндекс Практикуме.
В работе для меня главное: сначала метрика и проблема, потом инструмент. Ограничения решений описываю честно — так я понимаю, где ИИ действительно даёт эффект, а где достаточно простых правил.
Проекты
Учебные проекты, оформленные как MVP: с метриками, ограничениями и следующим шагом
Анализ рынка вина на Python
Задача - помочь интернет-магазину понять, что определяет цену и популярность вина. Обработала 20 000 записей: очистка, новые признаки, разведочный анализ, проверка гипотез двумя статистическими тестами. Ключевые выводы: 97% рынка - вина до $100, а рейтинг объясняет лишь 26% цены. Инструменты: Python, pandas, NumPy, matplotlib, seaborn, scipy, statsmodels, scikit-learn, NLTK, WordCloud.
Подробнее на githab
Автоматизация поручений: ИИ + Nodul Google Workspace
Задача - избавить руководителя от ручного контроля поручений. Реализовала систему на связке Nodul + Google Workspace: 73 узла автоматизации закрывают 4 бизнес-сценария — постановка задач (включая извлечение из неструктурированных писем через LLM), обработка обратной связи, проактивные напоминания и автоматические отчёты. Результат: контроль - с 10 часов в неделю до 5–10 минут в день, потерянные поручения — с 20% до <2%. Инструменты: Nodul · Google Workspace · LLM · JavaScript.
Подробнее на githab
Мой подход к внедрению ИИ:
  • Сначала проблема и метрики, потом ИИ
    Начинаю не с инструмента, а с хронометража: проект на Nodul стартовал с того, что ручной контроль стоил руководителю 2 часа в день.
  • MVP для проверки гипотезы
    Не «большой проект на год», а пилот за недели: быстро проверить гипотезу и измерить эффект.
  • ИИ извлекает - система верифицирует
    LLM извлекает сущности из текста, детерминированные узлы проверяют их по справочнику - защита от галлюцинаций модели.
  • Считаю эффект и риски
    У каждого решения есть экономика: ROI, срок окупаемости, риски 152-ФЗ и план миграции.
  • Документирую архитектуру и ограничения
    Реестр дефектов, аудит-лог, честное описание границ решения.
Управленческий опыт
  • 25 лет: от зав. кафедрой ИТ до заместителя директора (Диасофт)
  • Управление подразделением 140+ человек: бюджеты, SLA/KPI, договоры
  • Запуск новых направлений и процессов с нуля
  • Тендеры, пресейлы
Анализ данных
  • Python: pandas, NumPy
  • Визуализация: matplotlib, seaborn
  • Гипотезы: scipy, statsmodels
  • Регрессии: scikit-learn
Внедрение ИИ
  • LLM: промпты, JSON-парсинг, верификация
  • Nodul: workflows, 73 узла
  • AS-IS/TO-BE, RACI, Swimlane
  • ROI, окупаемость, 152-ФЗ
Сейчас осваиваю
  • ML-инженер, Яндекс Практикум
  • GitHub: портфолио проектов
Академический бэкграунд
  • Кандидат наук
  • 40+ публикаций
  • Авторское ПО
Что я ищу? Роли и команду, где усилюсь во внедрении ИИ с перспективой роста в ML-инженерию. Интересны задачи на стыке бизнеса и технологии: там, где нужен не просто исполнитель, а специалист с управленческим мышлением. Ищу среду, где внедрённые решения измеряются в деньгах и часах, а не в коммитах.
Связаться со мной
Контакты
Готова обсудить, чем мой опыт будет полезен вашей команде.



Написать в MAX

© 2026 Виктория Лапшина · Аналитик данных и специалист по внедрению ИИ.
hello@mysite.com
Made on
Tilda