Москва · Backend systems

Кущ Артем

Ведущий разработчик бэкенда

Строю надёжные распределённые системы с фокусом на задержки, наблюдаемость и результат.

Смотреть проекты GitHub Скачать PDF

Инженерный фокус

Задачи, которые решаю

Архитектура сервисов: Проектирование API, интеграции и разделение монолита на микросервисы.
Производительность: Профилирование, оптимизация SQL, памяти и критических участков кода.
Работа с командой: Технические интервью, менторинг и code review.

Подробнее об опыте

Опыт

Опыт и ключевые результаты

Роли, проекты и вклад в продукт

Языки

Русский свободно, английский для работы и общения

Образование

Математика и data science как база для backend и ML

Стек

Технологии, с которыми я работаю

Проекты

Выбранные репозитории и инженерные кейсы

Репозитории, где видны подход к данным, backend и инженерной реализации

Open Source

3x-ui · Open Source

Контрибьютор 3x-ui — популярной панели управления Xray. Исправил совместимость экспорта TCP Fragment со старыми клиентами Xray. PR #6702 принят и включён в релиз v3.9.0.

Go Open Source Merged PR

Открыть Релиз v3.9.0

CupIT2020-DS-final

Хакатон Cup IT, 3 место. Подходит как доказательство быстрого data science цикла: постановка, эксперимент, оценка и прикладной результат.

Data Science Hackathon 3rd place

Открыть

Fintech Security Superhero

Финальный этап хакатона Fintech Security Superhero. Это удобный пример командной работы, быстрой интеграции и доведения идеи до результата.

Hackathon Teamwork Delivery

Открыть

GoFast

Современный Go-проект с более актуальным стеком. Хорошо показывает backend-подход, структуру сервиса и готовность к развитию.

Go Backend Modern stack

Открыть

lem-in

School 42 проект на C: графы, поиск путей и аккуратная реализация. Это сильный маркер алгоритмического фундамента и инженерной дисциплины.

C Algorithms Graphs

Открыть

ML Models on Pulsar

Сравнение ML-моделей на pulsar dataset. Хорошо показывает экспериментальный подход, сравнение метрик и аккуратную работу с данными.

Python ML Metrics

Открыть

SiameseDCGAN

Эксперименты с embedding layers и contrastive loss на MNIST. Хорошая иллюстрация интереса к deep learning и экспериментам с архитектурами.

Deep Learning MNIST Contrastive loss

Открыть

Публикации, разработки и выступления

Публикации, зарегистрированные разработки и опыт выступлений

Статья

Проектирование микросервисов на Go: типичные сложности и лучшие практики

Статья о том, как проектировать микросервисы на Go: от постановки требований и оценки нагрузки до оптимизации RPS, работы с GC и практик вроде буферизации, gRPC, sync.Pool и кешей.

Habr Go Microservices

Открыть

Статья

SiameseDCGAN with embedding layers and contrastive loss

Статья про siamese DCGAN на Keras: как one-shot learning и embedding layers помогают работать с малым объёмом данных, а contrastive loss применяется для классификации и генерации изображений.

Medium Deep Learning Contrastive loss

Открыть

Выступление