Специалисты

Рефакторинг, автоматизация и архитектурное улучшение backend-платформы на Python / Django с нуля до CI/CD и миграции данных

Роль в проекте: Backend Team Lead & Tech Lead Описание: Участие в полном обновлении и рефакторинге масштабной backend-системы на Python / Django , включая проектирование архитектуры, внедрение стандартов кодирования, оптимизацию баз данных, автоматизацию тестирования и построение CI/CD пайплайна. Проект охватывал как техническую часть (рефакторинг legacy-кода, оптимизация миграций), так и организационную — выстраивание процессов разработки, менторство, найм, обучение команды и управление качеством кода. Также была реализована библиотека для автогенерации тестов , проведена миграция данных между организациями Yandex Tracker , объединены две БД в одну систему. Задачи: - Проектирование архитектуры и выстраивание процессов: -- Разработал и внедрил новые функции по требованиям пользователей; -- Подбирал инструменты; -- Сформировал стандарты code-style (mypy+ruff+pre-commit hooks); -- Рефакторил и дебажил legacy, формировал план реализации бизнес-логики, контролировал её качество; -- Создал единую систему доступов, основанную на drf-access-policy - Автоматизация тестирования: -- Внедрил автотесты (pytest) в проект с несколькими сотнями тысяч строк кода; -- Объединил 600 файлов миграций в 40, устранив циклические зависимости, что позволило уменьшить время инициализации PostgreSQL для тестов в 5 раз (с 30 минут до 6). -- Разработал библиотеку для автоматической генерации тестов на основе DRF ViewSets, что позволило сгенерировать тесты для 60% backend-кода. - CI/CD и контейнеризация: поддерживал GitLab CI/CD pipeline с использованием Docker и Kubernetes; - Data Migration Utility: спроектировал и разработал приложение на Python/Django для миграции данных (таски, учётные записи и т. д.) между организациями в Yandex Tracker, что позволило нашей организацией быть юридически независимой. - Слияние двух БД в одну: разработал открытый Python/Django-инструмент для слияния двух полностью независимых баз данных. Управление командой и менторство: Проводил собеседования: нанял 1 backend-разработчика и 1 QA-инженера, которые до сих пор работают в компании, участвовал в их обучении; Руководил работой backend, fronted-разработчиков и взаимодействовал с отделом QA для организации сквозного процесса тестирования. Распределение задач между бэкендом и фронтендом Согласование сроков и сложности реализации с обеими командами Менторство и развитие команды: Проведение собеседований и найм новых разработчиков Обучение junior- и middle-разработчиков Проведение внутренних докладов и менторских сессий

Python 3, Django, Django REST Framework, PostgreSQL, Celery, Redis, Docker, Kubernetes, Airflow, GitLab CI/CD, pytest, mypy, ruff, S3, Rust,

1 год месяцев

Анализ и классификация эмбриональных изображений с использованием машинного обучения и Apache Spark

Описание: Участие в разработке системы анализа изображений ориентированной на автоматическую оценку качества и типа развития эмбрионов. Для обработки больших объёмов данных и подготовки выборок использовалась платформа Apache Spark (PySpark / Spark SQL). Для задач классификации и прогнозирования применялись методы машинного обучения, включая работу с изображениями и построение моделей на основе нейросетей. Была реализована ETL-логика от загрузки изображений до их предобработки и передачи в модель. Задачи: Обработка и подготовка датасета изображений эмбрионов Предобработка данных, аугментация, нормализация изображений Использование Apache Spark (через PySpark и Spark SQL ) для масштабируемой обработки данных Интеграция результатов обработки в pipeline обучения модели Поддержка ML-экосистемы: работа с фреймворками для обучения моделей (например, TensorFlow, PyTorch) Работа с SQL-запросами для хранения и извлечения метаданных из базы данных Организация распределённой обработки данных в условиях ограниченных ресурсов

Python, PySpark, Apache Spark SQL, SQL, Machine Learning, Neural Networks, Docker (опционально), Git, Jira, Linux, ООП, Agile, Scrum, CI/CD (опционально)

1 год 5 месяцев месяцев

Внедрение автоматизированного тестирования и улучшение качества фронтенд- и бэкенд-системы.

Роль в проекте: AUTO QA Python LEAD Описание: Участие в обеспечении качества фронтенд и бэкенд частей международной платформы через внедрение автоматизированного тестирования (E2E / Integration) и организацию процессов QA. Проект включал разработку и поддержку более 200 автотестов , интеграцию отчётов по тестированию через Allure TestOps , а также создание структурированной документации, которую в дальнейшем использовали QA-инженеры. Благодаря внедрению регрессионного тестирования удалось повысить стабильность и скорость выявления багов. Также осуществлялась коммуникация с иностранными специалистами (SMM, контент-менеджерами), что позволило лучше понимать бизнес-логику и улучшать покрытие тестами. Задачи: - Автоматизация тестирования (End-to-End/Integration):** -- Разработал и поддеживал более 200 автотесты для frontend и backend (pytest, Selenium, Playwright), интегрировал их в CI. -- Внедрил Allure TestOps, разработал методологию регрессионного тестирования, что улучшило прозрачность отчётности и ускорило нахождение багов. - Организация тестового процесса: продумал структуру документации по тестированию, которую, в дальнейшем, заполняли тестировщики, контролировал процесс поиска багов. - Коммуникация: взаимодействовал с иностранными SMM-специалистами для фиксации багов и проверки функционала платформы.

Python 3, pytest, Selenium, Playwright, Allure TestOps, REST API