Рыжиков Артём Сергеевич

Рыжиков Артём Сергеевич

О себе

            Закончил бакалавриат кафедры Физики Элементарных Частиц Физического факультета Новосибирского Государственного Университета. Занимался физикой высоких энергий в Институте Ядерной Физики им. Будкера. В свободное время занимался космологией, теоретической физикой, топологией и дифференциальной геометрией.

            C 2015 года занимаюсь анализом больших данных и машинном обучением. Большой опыт участия в различных Data Science, Big Data и HighLoad – проектах. Выпускник ШАД. Сейчас занимаюсь исследованиями по применению машинного обучения в физике высоких энергий. С июля 2017 года являюсь действующим сотрудником (стажер-исследователь) лаборатории анализа больших данных НИУ ВШЭ.

            Веду лекции по курсу “Искусственный интеллект и большие данные” в рамках программы Data Culture НИУ ВШЭ. Ранее вёл семинары по курсу “Современные методы машинного обучения” НИУ ВШЭ.

Область интересов

• Физика Высоких Энергий
• Машинное обучение
• Обучение с подкреплением
• Байесовские методы машинного обучения
• Глубинное обучение
• Этическое машинное обучение

Компетенции

• Programming (Python/Scala/Java)
• Big Data - ETL (Elastic Search/Solr), Spark, DataStax Enterprise, Hive, NoSQL (Cassandra/DynamoDB), AWS (DynamoDB/SQS/SNS/S3)
• Machine Learning - Supervised/Unsupervised Learning, Deep Learning, Reinforcement learning, Bayes ML, Ethic ML
• SQL/Queues - PostgreSQL, Redis, RabbitMQ
• Others – Docker (+Rancher), Telegram Bots

Научные достижения

            В рамках своей курсовой работы 1 курса магистерской программы ФКН ВШЭ успешно реализовал нейросеть, способную обучаться на Монте-Карло событиях без переобучения, давая сравнимое качество классификации на реальных событиях. Данная работа имеет огромную важность для применения глубинного машинного обучения к идентификации элементарных частиц в физике высоких энергий. С этой работой мы успешно выступили на международной конференции ACAT 2017 и на данный момент публикуем статью, посвященную данному методу.

              В рамках своей дипломной магистерской работы успешно реализовал глубинную нейросеть с плоским профилем эффективности. Работа проводилась в рамках гранта РНФ (см. ниже). Полученные в ходе исследования результаты позволили обучать модели глубинного обучения, одинаково хорошо работающие в разных регионах значений интересующих нас переменных. Такие модели машинного обучения представляют огромный интерес в физике высоких энергий, в частности в идентификации элементарных частиц. Ранее никому не удавалось обучать нейросети с таким свойством. По данной работе также планируется публикация и доклад.

Гранты

Организация РНФ

Программа «Проведение исследований научными группами под руководством молодых ученых»

Название “Поиск новой физики в данных LHCb с применением методов глубокого обучения”

Номер 17-72-20127

Публикации

• Ustyuzhanin A., Рыжиков А. С. Кросс-доменная адаптация с помощью нейронных сетей на прямом распространении ошибки // ACAT Proceedings 2017, USA. 2017 (в печати)

Конференции

• Ustyuzhanin A., Рыжиков А. С. Кросс-доменная адаптация с помощью нейронных сетей на прямом распространении ошибки // ACAT 2017, USA. 2017

Преподавание

• Семинары, майнор Современные методы машинного обучения, НИУ ВШЭ (Высшая Школа Экономики), 2017 
• Лекции,  Искусственный интеллект и большие данные, Data Culture, НИУ ВШЭ, 2018

Образование 

Новосибирская Физико-Математическая Школа (СУНЦ НГУ) 

Год выпуска: 2011 

Средний балл: 4.9 

Достижения:  

• Многократный призёр Всесибирской олимпиады школьников по Физике (2009-2011) 

• Многократный призёр Всесибирской олимпиады школьников по Математике (2009-2010) 

•  Победитель Всесибирской олимпиады школьников по Физике (2009, 2011) 

• Победитель регионального этапа Всероссийской олимпиады школьников по Физике (2011) 

Новосибирский Государственный Университет (НИУ НГУ) 

Форма обучения: дневная, очная 

Степень: Бакалавр 

Год выпуска: 2015 

Факультет: Физический 

Направление: Кафедра Физики Элементарных Частиц 

Средний балл: 4.5 

Выпускной диплом: Калибровка калориметров на основе тяжелых кристаллов (NaI, BGO) по краю спектра однократного тормозного и Комптоновского излучений с использованием генератора Монте-Карло 

Достижения:  

• Победитель Всероссийской студенческой олимпиады по математике ("Магистратура МФТИ", МФТИ, 2015, 1-е абсолютное место) 

• Призёр Всероссийской студенческой олимпиады по физике ("Магистратура МФТИ", МФТИ, 2015) 

• Победитель Новосибирской региональной студенческой олимпиады по теоретической и прикладной механике (2014) 

• Многократный победитель студенческой олимпиады НГУ по теоретической и прикладной механике (2014-2015) 

Высшая Школа Экономики (НИУ ВШЭ) 

Форма обучения: дневная, очная 

Степень: Магистр 

Дата окончания: 2018 

Факультет: Computer Science 

Направление: Data Science 

Graduating diploma: Обучение нейросетей с равномерным профилем эффективности для детектирования элементарных частиц

Дополнительные курсы 

ШАД (Школа Анализа Данных, Яндекс) 

Форма образования: очная, Новосибирский филиал 

Дата окончания: 2017 

Направление: Computer Science 

Курсы: 

• Algorithms and Data Structures of Search 1, 2

• Discrete Math and Statistics 

• C++

• Parallel and Distributed Calculations

• Python

• Machine Learning 1, 2

• Deep learning

• Reinforcement learning

• Bayes machine learning

Языки 

• Русский (Native) 

• English (Upper-Intermediate). Fluent reading and writing 

Опыт работы

Организация LAMBDA (лаборатория анализа больших данных НИУ ВШЭ)

Позиция: стажер-исследователь

Период: 15.07.2017-н.в.

Обязанности:

• Тестирование и формулирование гипотез
• Изучение статей по современным исследованиям в области ML
• Применение современных методов машинного обучения

Задачи:

• Исследование современных методов в применении к идентификации частиц в физике высоких энергий
• Обучение и тестирование архитектур нейросетей с кросс-доменной адаптацией, инвариантных относительно Монте-Карло данных
• Обучение и тестирование архитектур

Используемые технологии:

• Deep Learning – Keras, Tensorflow, Lasagne
• Machine Learning - SkLearn
• Programming - Python

Достижения и опыт:

• Удалось без значимой потери качества обучить нейросеть. Это позволило обучать нейросети, одинаково работающие при детектировании Монте-Карло и реальных событий
• Удалось обучить нейросеть с инвариантным по задаваемым переменным качеством. Это позволило обучать нейросети для распознавания событий с одинаковой эффективностью вдоль импульса частицы

Организация Teleport

Позиция: Machine Learning Expert / Senior Data Scientist

Период: 29.02.2017-31.08.2017

Обязанности:

• Тестирование и формулирование гипотез
• Обучение глубинных нейросетей
• Изучение статей по современным исследованиям в области Deep Learning (Image Segmentation) и Computer Vision, их реализация и тестирование

Задачи:

• Исследование современных подходов в компьютерном зрении и глубинном обучении
• Сегментация фото и видео
• Edge detection
• Постпроцессинг
• Участие в реализации закрытого фреймворка для глубинного обучения, основанного на Tensorflow

Используемые технологии:

• Deep Learning - Tensorflow
• Computer vision - OpenCV
• Programming – Python, С++

Достижения и опыт:

• За короткие сроки разобрался в современных методах применения глубинного обучения к задачам компьютерного зрения
• Внёс значимый вклад в виде эффективного высокопроизводительного постпроцессинга сегментированных изображений (IoU увеличился на 3%, улучшилось визуальное качество)
• Реализовал эффективную и быструю архитектуру нейросети для сегментации видео
• Получил очень хороший опыт работы с глубинным обучением на Tensorflow

Организация Double Data

Позиция: Full-Stack Data Scientist/Scala Developer

Период: 01.05.2016-15.02.2017

Обязанности:

• Тестирование и формулирование гипотез
• Обучение, тестирование и деплой ML-моделей
• Написание кода
• Обработка больших данных

Задачи:

• Реализация закрытого инструмента для поиска людей в социальных сетях

• Тестирование гипотез и построение ML-моделей (pointwise-) ранжирования
• Построение Data Lake – витрины данных
• Обработка больших (200 Тб) данных на Spark. Оптимизация Spark-джоб
• Анализ социальных графов (> 1Тб) на Spark
• Написание и тестирование кода для поискового движка
• Разведочных анализ данных
• Построение моделей кредитного скоринга

Используемые технологии:

• Machine Learning – t-SNE, SkLearn, XGBoost
• Python – Flask, PySpark, PyTest
• Scala – Akka, Akka Http, JUnit, Mockito
• Big Data – Spark, ElasticSearch ETL

Достижения и опыт:

• В команде из 4 человек за 3 месяца с нуля реализовали поисковый движок, позволивший находить 60% (Recall) заёмщиков  с 5% (1 – Precision) ошибкой
• Получил опыт обработки реально больших (>200 Тб) данных на Apache Spark. Научился эффективно оптимизировать Spark-джобы
• В хорошей степени овладел навыками анализа данных и визуализации на Python
• Очень много попрактиковал TDD-подход к написанию HighLoad-кода

Организация SurfingBird

Позиция: Full-Stack Data Scientist/Scala Developer

Период: 19.10.2015-29.04.2016

Обязанности:

• Тестирование и формулирование гипотез
• Написание кода
• Обработка больших данных

Задачи:

• Разработка, оптимизация и поддержка архитектуры рекомендательного движка
• Разработка, мониторинг и поддержка рекомендательных алгоритмов
• Сегментация пользователей (в т.ч. Realtime)
• Выделение ядра пользователей

Используемые технологии:

• Machine Learning – Topic Modeling, Sentiment Analysis, Recommendations, Clustering, SVD, PLSA, LDA
• Programming – Python, Scala, Java, SQL, PostgreSQL, Redis, RabbitMQ
• Big Data – Spark, SparkML, ElasticSearch ETL, Solr ETL, Cassandra, DataStax Enterprise

Достижения и опыт:

• Разработал и внедрил в production очень эффективный алгоритм стриминговой сегментации пользователей. Впоследствии это позволило решить проблему холодного старта для площадок с очень разреженным трафиком. Такая сегментация пользователей по контенту давала CTR, отличающийся на 0.09% от стандартных алгоритмов коллаборативной фильтрации. Это очень хороший результат для латентных моделей рекомендательных систем 

• Очень эффективно оптимизировал некоторые алгоритмы рекомендательной системы на Spark. В некоторых случаях это ускорило время расчёта алгоритмов в 5 (!) раз. Как следствие, очень большой прирост CTR 

• Проделал очень большой рефакторинг legacy-кода (порядка 4к строк Scala-кода) 

• Разработал новые, очень эффективные, рекомендательные алгоритмы (Включая модели sentiment analysis и topics modeling) 

• Оптимизировал запросы в ElasticSearch. На некоторых очень крупных рекомендательных площадках это дало относительный прирост CTR на 45% (!) 

• Научился применять Spark для аналитики и агрегации больших данных 

• Написал алгоритм предсказания популярности страниц по репостам в соцсетях 

• Написал распределённую систему для онлайнового пересчёта рекомендаций 

• Сделал очень много различных отчётов с использованием Python, Spark и SQL