Описание услуги
Я разработчик на языке Julia и специализируюсь на высокопроизводительных численных и научных вычислениях. В отличие от привычных процессов на Python или R, я делаю ставку на скорость Julia: пишу код, который работает близко к нативной производительности, но остаётся читаемым и математически прозрачным, чтобы ваши модели не превращались в узкое место. Я собирал движки симуляций, процедуры оптимизации, решатели дифференциальных уравнений и конвейеры обработки больших массивов данных без тех замедлений, которые типичны для интерпретируемых стеков. Когда нужна реальная пропускная способность на серьёзных расчётах, Julia — правильный инструмент, и я умею выжимать из него максимум.
Работу я начинаю с понимания задачи: математика, объёмы данных и то, где производительность действительно важна. Сначала профилирую, потом оптимизирую, использую типостабильный код, множественную диспетчеризацию и корректный бродкастинг, опираюсь на экосистему там, где это помогает: DifferentialEquations, JuMP для оптимизации, DataFrames для табличных данных и стек SciML для моделирования. Корректность для меня не менее важна, чем скорость, поэтому я пишу тесты, честно замеряю через BenchmarkTools и фиксирую допущения. Прототип ли это исследовательской идеи или подготовка модели к продакшену — я подбираю уровень инженерии под стадию проекта.
Могу взять медленный прототип на Julia, Python или MATLAB и превратить его в быстрый и поддерживаемый код на Julia, либо начать с чистого технического задания. Мне комфортно с параллельными вычислениями, выносом на GPU через CUDA, когда это оправдано, и упаковкой кода так, чтобы команда действительно могла его запускать. Расскажите про своё узкое место и целевые цифры — дам честную оценку и рабочий план.
— Высокопроизводительные численные вычисления и реализация алгоритмов на Julia
— Симуляции, решение дифференциальных уравнений и математическое моделирование (SciML, DifferentialEquations)
— Задачи оптимизации через JuMP и интеграция решателей
— Анализ и обработка данных с DataFrames и большими массивами
— Профилирование, бенчмаркинг и типостабильная настройка производительности
— Параллельные и GPU-вычисления, а также упаковка кода для повторного использования
Работу я начинаю с понимания задачи: математика, объёмы данных и то, где производительность действительно важна. Сначала профилирую, потом оптимизирую, использую типостабильный код, множественную диспетчеризацию и корректный бродкастинг, опираюсь на экосистему там, где это помогает: DifferentialEquations, JuMP для оптимизации, DataFrames для табличных данных и стек SciML для моделирования. Корректность для меня не менее важна, чем скорость, поэтому я пишу тесты, честно замеряю через BenchmarkTools и фиксирую допущения. Прототип ли это исследовательской идеи или подготовка модели к продакшену — я подбираю уровень инженерии под стадию проекта.
Могу взять медленный прототип на Julia, Python или MATLAB и превратить его в быстрый и поддерживаемый код на Julia, либо начать с чистого технического задания. Мне комфортно с параллельными вычислениями, выносом на GPU через CUDA, когда это оправдано, и упаковкой кода так, чтобы команда действительно могла его запускать. Расскажите про своё узкое место и целевые цифры — дам честную оценку и рабочий план.
— Высокопроизводительные численные вычисления и реализация алгоритмов на Julia
— Симуляции, решение дифференциальных уравнений и математическое моделирование (SciML, DifferentialEquations)
— Задачи оптимизации через JuMP и интеграция решателей
— Анализ и обработка данных с DataFrames и большими массивами
— Профилирование, бенчмаркинг и типостабильная настройка производительности
— Параллельные и GPU-вычисления, а также упаковка кода для повторного использования
