Technical Product Manager · ML / AI · R&D

Алексей Кустов

Мне интересно там, где ещё ничего нет — ни продукта, ни команды, ни ясности. Инженерный опыт подсказывает, что здесь возможно. Продуктовый — что из этого действительно стоит делать.

  • +9%

    утилизации GPU — без единой закупки железа

  • 10 → 50%

    R&D-команд на платформе экспериментов за квартал

  • дни → минута

    доставка данных потребителю в Т-Банке

Я делаю продукты, которыми пользуются инженеры: платформы для ML-экспериментов, инструменты исследовательских команд, работу с данными. Десять лет я писал код сам — поэтому с инженерами говорю на их языке, а с бизнесом на языке сроков и денег. Продуктом занимаюсь пять лет: начинал в стартапе, где неопределённость просто часть работы, а не повод остановиться, — и последние три года делаю внутренние продукты в Т-Банке и Сбере, где к той же неопределённости добавляется масштаб.

Алексей Кустов

Путь

Это один путь, а не смена профессий: от кода к команде, от команды к продукту. Каждая ступень добавляла ответственности, инженерная основа оставалась — она и сейчас рабочий инструмент, а не строчка в биографии.

  1. 2025 — сейчас

    Сбер · SberDevices

    Technical Lead · внутренние ML/R&D-платформы

    Развиваю внутренние продукты для ML- и R&D-команд. Главный из них — конвейер экспериментов: исследователи запускают, отслеживают и валидируют в нём ML-эксперименты, а бизнес впервые видит все исследования и потребление GPU в одном контуре. Принял продукт после полутора лет стагнации, когда он шёл на закрытие: за месяц закрыл продуктовый и технический долг, вернул заказчиков и удержал за продуктом выделенные ставки. Дальше приводил на платформу автономные R&D-команды — демо, разбор реальных болей, поэтапный онбординг, публичный roadmap под их запросы. Веду продукт внутри команды из тринадцати человек и без прямого подчинения: там, где сильные ML-команды не считают указание сверху аргументом, работает только доказанная польза инструмента. Вторая задача — эффективность железа: спроектировал и провёл пилот динамического перераспределения мощностей между продакшн-инференсом и обучением. Отдельно собрал мультиагентную систему управления релизами на GigaChat — продуктовая концепция, архитектура вместе с архитектором и рабочий прототип.

    10 → 50%

    покрытие R&D-команд конвейером за квартал — без административного ресурса, через демо, разбор болей и публичный roadmap

    +9%

    утилизации GPU: в часы низкой нагрузки серверы уходят под обучение — как если бы каждый одиннадцатый появился без закупки. Один такой сервер на восьми H100 стоит на рынке $300–500 тыс.

  2. 2023 — 2024

    Т-Банк

    Technical Product Manager · триггерная платформа

    Триггерная платформа: внутренний B2B-продукт, дающий бизнес-линиям банка событийные данные как сервис, а не как разовую выгрузку. Принял его на стадии POC, когда команды ещё не было: собрал шестерых и вёл их по задачам, без прямого подчинения. Главное, что сделал, — убрал человека из цепочки поставки: раньше аналитик собирал требования, партнёр настраивал у себя и присылал файлы, команда разбирала их руками. Связал платформу с внутренними продуктами банка и внедрил ML-модели расчёта триггеров, согласовав переход к инференсу в реальном времени.

    1 квартал

    от POC до работающего MVP

    дни → минута

    доставка триггера потребителю. Все, кто раньше получал их руками, перешли на платформу — 100% операций без ручного участия

  3. 2021 — 2023

    Unikoom

    Product Manager

    AI-стартап, тревел-платформа. Пришёл лидом мобильной разработки и вырос в продакта приложения. Собрал мобильную команду с рынка и за квартал вывел MVP в продакшн — с этого момента компания проверяла гипотезы неделями, а не кварталами. Вместе с data science довёл до продакшна ML-ядро продукта — собственную модель подбора маршрутов на датасете, который мы собирали сами. Вёл дискавери и приоритизацию: CustDev, A/B-тесты, RICE. Совмещал продуктовую роль с инженерной: архитектура на Flutter, веб-версия на React, CI и среды. Подписку мы запустили и успели протестировать, но до внятной статистики не дошли: пользователи приходили разово, устойчивого ядра не сложилось. Product-market fit продукт так и не нашёл.

    0 → прод

    за квартал собрал команду из пяти инженеров и вывел MVP

    ML-ядро

    собственная модель подбора маршрутов — от датасета до продакшна, вместе с data science

  4. 2020

    Vedidev

    Team Lead, web и mobile

    Осознанный переход из инженерии в продукт. Вёл MVP мобильного приложения лояльности для торговой сети целиком — от бизнес-требований, CJM и roadmap до кода на React Native. Координировал фронтенд-команду, проводил технические интервью и онбординг.

    MVP

    провёл целиком — от бизнес-требований и CJM до кода

    переход

    из инженерии в продукт: первая роль, где отвечал не только за свой код

  5. 2010 — 2020

    Фриланс

    Fullstack-разработчик

    Десять лет заказной разработки на JavaScript, C#/.NET и PHP для прямых заказчиков — отсюда привычка начинать с бизнес-задачи, а не с технологии. Ключевой проект — онлайн-платформа обучения: бизнес-логика вместе с Product Owner, архитектура, фронтенд и бэкенд, вывод в продакшн и поддержка.

    10 лет

    руками в коде

    0 → 1

    платформа обучения целиком, от логики до прода

Куда иду

Целюсь в компании, где продукт упирается в инфраструктуру, данные и исследовательские команды — там, где нужно разбираться в предметной области, а не только вести бэклог. Лучшая для меня среда — высокая неопределённость: продукт ещё предстоит придумать, а решения приходится принимать раньше, чем появятся все данные. В стартапах это называется вторником.

Я пришёл в корпорацию с фриланса, где десять лет отвечал только за результат, и довольно долго считал, что результат говорит сам за себя. Он не говорит. В большой организации его нужно доносить, и это отдельная работа, которую я теперь закладываю заранее.

Навыки

Продукт

  • Technical Product Management
  • AI/ML Product Management
  • Product discovery
  • Product strategy
  • Roadmap
  • CustDev
  • A/B-тесты
  • CJM
  • RICE
  • Unit-экономика

ML и данные

  • MLOps
  • Инфраструктура ML-экспериментов
  • Утилизация GPU
  • Инференс в реальном времени
  • LLM
  • Мультиагентные системы
  • Событийные данные
  • Python
  • SQL

Инженерия и процесс

  • JavaScript / TypeScript
  • React
  • React Native
  • Flutter
  • C# / .NET
  • CI/CD
  • Agile
  • Scrum
  • Kanban
  • Jira
  • Confluence
  • Figma