Mikhail Vakulich
AIOps-Ingenieur
Persönliche Daten
Sankt Petersburg · umzugsbereit · remote
Profil
AIOps-Ingenieur mit Schwerpunkt auf KI-Systemen für den Betrieb von Carrier-Netzen, parallel promovierend im Bereich KI und maschinelles Lernen. 4,5 Jahre Erfahrung in der Telekommunikation, zunächst im Third-Level-Support, danach im Betrieb eines IP/MPLS-Backbones. Seit zwei Jahren entwickle ich für dieses Netz agentische LLM-Systeme auf Basis von Telemetrie- und Ticketdaten, ein Monitoring für Konflikte zwischen geplanten Arbeiten und Störungen sowie Kapazitätsprognosen. Alle genannten Systeme habe ich eigenverantwortlich von der Anforderungsaufnahme bis zum Produktivbetrieb umgesetzt.
Benötigt eine Blaue Karte EU. Beide Hochschulen sind in anabin mit Status H+ gelistet, beide Abschlüsse mit der Bewertung „entspricht“.
Berufserfahrung
KI/ML für Netzinfrastruktur: 02/2024 – heute · Telekommunikation: seit 03/2022
KI-/AIOps-Ingenieur
05/2026 – heuteNapa Labs
- Durabler LangGraph-Orchestrator für das Störungsmanagement im Backbone-Netz (Incident Management): Ticket-Auswertung, Diagnose beider Streckenenden über NETCONF/PyEZ, LLM-Einschätzung aus einem JSON-Auszug, Port-Deaktivierung per commit confirmed mit Freigabe durch den Ingenieur, Wiederherstellung und Nachprüfung. Der Zustand wird in PostgreSQL-Checkpoints gespeichert, sodass ein Szenario Neustarts und mehrtägige Pausen übersteht. Das Modell verarbeitet ausschließlich Text, Änderungen am Netz erfolgen über deterministischen Code.
- Agentenplattform: Laufzeitumgebung für Szenarien auf Temporal und LangGraph (deterministische Szenario-Kompilierung, menschliche Freigabe im Ablauf, Trennung wiederholbarer und fataler Fehler) sowie ein Sicherheitsmodul, das das Berechtigungsmodell als ausführbaren Code abbildet: Zonen, Rollen, Autonomiestufen der Agenten, ein Append-only-Journal aller Entscheidungen.
- PII Firewall zur Pseudonymisierung von Arbeitsdokumenten, bevor sie ein Sprachmodell erreichen: vier Erkennungsschichten (Prüfsummen russischer Kennungen, NER-Modell, Wörterbuch, Blockieren von Zugangsdaten), Zonentrennung über die Netztopologie, verschlüsselte Ersetzungstabelle.
Netzwerkingenieur Backbone (Betrieb)
02/2024 – 04/2026ER-Telecom Holding (02/2024 – 07/2024 als Praktikant)
- Betrieb des IP/MPLS-Backbone-Netzes: Konfiguration von Kundendiensten (BGP, IX, L2/L3-VPN), Netzinfrastruktur und Lastverteilung, Durchführung geplanter Wartungsarbeiten, Entstörung.
- Entwicklung und Einführung eines Monitorings für Konflikte zwischen geplanten Wartungsarbeiten und Störungen als Initiativleiter und alleiniger Entwickler, rund 200 Stunden Aufwand. Berechneter Effekt: Konflikterkennung in unter 5 Minuten statt 15-30 Minuten manuellem Abgleich, MTTR bei Konflikten -30%, 247 eingesparte Ingenieurstunden pro Jahr.
- Backbone-Traffic-Prognose mit einem Temporal Fusion Transformer: Quantilprognose P10/P50/P90 für eine Woche, Kapazitätsplanung nach N+2, Anomaliedetektor für den Bereitschaftsdienst.
- MCP-Server für Juniper-Geräte als Baustein der Netzwerkautomatisierung: auditierter Werkzeugsatz über NETCONF/PyEZ ohne Shell-Zugriff, Port-Diagnose in natürlicher Sprache.
Teamleiter Third-Level-Support
03/2022 – 02/2024Rostelecom
- Betrieb von Netzknoten und Verteilnetz: Störungsdiagnose und -behebung, Third-Level-Support, Teilnehmeranschaltung.
Ausgewählte Projekte
PPR/AVR Monitor
Monitoring von Konflikten zwischen geplanten Wartungsarbeiten und Störungen: Ereignisse aus Monitoring, BPMS, E-Mail und manueller Eingabe werden dedupliziert und nach Stadt und Zeit auf Überschneidungen geprüft. Das LLM wird nur für die Auswertung der Schreiben externer Betreiber eingesetzt, die übrige Logik ist deterministischer Code. Messung im Produktivbetrieb, 09/2026: 93,8 % der Felder in Betreiber-Schreiben korrekt erkannt, 15 von 16 vom Bereitschaftsdienst bestätigten kritischen Konflikten bleiben erhalten, 48 % weniger kritische Meldungen.
PII Firewall
Pseudonymisiert Dokumente, bevor sie an ein Sprachmodell gesendet werden. Aus PDF-, DOCX- oder XLSX-Dateien entstehen pseudonymisierter Text und eine verschlüsselte Ersetzungstabelle, die Antwort des Modells kommt mit den Originalwerten zurück. Kennungen werden per Prüfsumme validiert, und die Pseudonymisierungszone hat keine Netzroute nach außen. Auf einem synthetischen Referenzsatz (40 Dokumente, 322 Vorkommen) liegen Recall und Precision bei 100 %.
WebAgent-RL+ (Masterarbeit)
github.com/1vmc1/webagent-rl-plusTraining von Web-Agenten auf MiniWoB++ innerhalb einer einzigen 16-GB-GPU: eingefrorener Qwen3-8B-Planer in 4-Bit-Quantisierung plus trainierbarer PPO-Executor. Curriculum nach der Varianz der Kritiker-Schätzungen und abgestufte Belohnung. Über 50 000 Umgebungsschritte lag die mittlere SR der Phase 3 bei 42 % und über die letzten zehn Iterationen bei 61,7 %, eine SR größer null wurde bei 20 von 25 Aufgaben erreicht.
NeuroML: Dekodierung und Steuerung neuronaler Kulturen
Promotionsforschung zu Merkmalen und Decodern für die Aktivität lebender neuronaler Netze sowie zur Stimulationssteuerung im geschlossenen Regelkreis mit einem Budget von 50 ms. Die Spike-Rekonstruktion aus Calcium-Imaging auf offenen Daten erreichte eine Korrelation von 0,549, das klassische Verfahren 0,067. Über 700 Tests und reproduzierbare Experimente, negative Ergebnisse sind ebenso dokumentiert wie positive.
Vollständige Projekt- und Forschungschronologie → vakulich.work/de/roadmap
Ausbildung
Promotion, 1.2.1 Künstliche Intelligenz und maschinelles Lernen
09/2026 – heutePolytechnische Peter-der-Große-Universität St. Petersburg
Thema: ML-Dekodierung der Aktivität neuronaler Kulturen und adaptive Stimulationssteuerung im geschlossenen Regelkreis (Projekt NeuroML).
Master, maschinelles Lernen und künstliche Intelligenz
09/2024 – 06/2026Polytechnische Peter-der-Große-Universität St. Petersburg, Institut für intelligente Systeme und Technologien
Masterarbeit: „Training von Web-Agenten mit adaptivem Curriculum und abgestufter Belohnung“, Framework WebAgent-RL+.
Bachelor, Infokommunikationstechnik und Nachrichtensysteme (11.03.02)
09/2020 – 06/2024Staatliche Polytechnische Forschungsuniversität Perm, Fakultät für Elektrotechnik
Weiterbildung „Maschinelles Lernen und künstliche neuronale Netze“
2024PNRPU
Kenntnisse & Fähigkeiten
- KI und maschinelles Lernen
- LLM-Agenten · MCP · LangGraph · RAG · LoRA · PyTorch · Reinforcement Learning (PPO) · Transformer · NER (GLiNER) · Computer Vision · MLOps
- Netze
- IP/MPLS · BGP · OSPF · L2/L3-VPN · NETCONF / PyEZ · Juniper JunOS · Cisco · Huawei · Extreme
- Entwicklung und Infrastruktur
- Python · FastAPI · Temporal · gRPC · PostgreSQL · Docker · Kubernetes · GitLab CI · Ansible · Terraform · Nginx · Linux
- Observability und Sicherheit
- Prometheus · Grafana · Loki · Zabbix · Pseudonymisierung personenbezogener Daten · Policy as Code · mTLS
Sprachen
- Russisch - Muttersprache
- Deutsch - TestDaF TDN 4 (B2/C1)
- Englisch - B2+