Ахсан Мустафа

• 01 · ПлатформаОтчёты на 50% быстрее

  Корпоративный lakehouse

  Больше десяти источников проходят слои Bronze, Silver и Gold на Databricks и Delta Lake, а сверху работает self-service BI.

  DatabricksDelta LakeAzure Data FactorySnowflakeAirflow

• 02 · СтримингЗадержка ниже на 60%

  Финансовые данные в реальном времени

  CDC и потоковая обработка миллионов транзакций в день для аналитики почти в реальном времени и поиска аномалий.

  KafkaSpark StreamingRedshiftPythonCDC

• 03 · ИсследованиеmAP50 с 55% до 86%

  Дефекты дорог с высоты

  YOLOv12s и YOLO26, дообученные на снимках с дронов, находят шесть типов повреждений покрытия. Опубликовано и представлено в 2026 году.

  YOLOPythonRoboflowPandas

• 04 · Открытый проектВ работе

  Carbon vs. Capital

  Данные о выбросах, связанные с компаниями с американских бирж: весь путь на Azure Data Factory, Databricks, Snowflake и Power BI.

  Azure Data FactoryDatabricksSnowflakePower BI

• 05 · ИИ-агенты4 воркфлоу, 1 бот

  Личный ИИ-агент на n8n

  Telegram-агент, который помогает выбрать направление, собирает дайджесты новостей и вакансий и строит учебные планы по свежему веб-поиску. n8n и GigaChat в Cloud.ru, сделан для Школы 21.

  n8nGigaChatTelegram Bot APITavilyHH.ru APIDocker

  Читать разбор →

1. [1]

   Detection of Road Defects from Unmanned Aerial Vehicles Using Machine Learning

   A. Mustafa, M. Yu. Kataev, D. S. Efremenko · Light & Engineering, vol. 34, no. 3, pp. 4 to 12, 2026

   Google Scholar ↗Скопировать BibTeX

   Аннотация+

   The timely detection of road surface deterioration is a critical factor in infrastructure maintenance and traffic safety. Conventional inspection methods remain labour-intensive, costly, and prone to human error. In contrast, unmanned aerial vehicles (UAVs) combined with advanced computer vision techniques provide a scalable and cost-effective alternative. In this study, we propose a neural network model based on the YOLOv12 object detection framework for identifying road surface defects. The model is trained on a UAV-PDD2023 dataset containing over 2400 high-resolution aerial images annotated across six categories of road defects. Two model configurations with varying preprocessing steps and hyper-parameters are evaluated to assess robustness and generalization. The evaluation of the model efficiency was performed when RGB imagery is replaced with single-channel counterparts. Results show that the accuracy of defect detection remains largely unaffected: over 90 percent of the defects detected in RGB imagery were also correctly identified in single-channel images, with a performance variation of less than 5%. This indicates that a single trained model can be effectively applied to images with different spectral characteristics.

2. [2]

   Structured Training Ablation and GSD-Adaptive Orthophoto Inference for UAV-Based Pavement Defect Detection with YOLO26

   A. Mustafa, M. Yu. Kataev, D. S. Efremenko · Moscow University Physics Bulletin, 2026, в печати · Представлено на DLCP 2026

   DLCP 2026 ↗Скопировать BibTeX

   Аннотация+

   Automated detection of pavement surface defects from unmanned aerial vehicle (UAV) imagery can substantially reduce the cost and labour of road condition surveys. Two questions that remain largely unanswered in current literature are which training configuration choices actually drive accuracy gains, and how well a model trained on low-altitude UAV images generalises to the higher-altitude orthophotos used in real-world deployment. This paper addresses both. We train YOLO26 on the UAV-PDD2023 benchmark dataset (2,439 images, six defect classes) and run a controlled five-configuration ablation study that independently varies hyperparameter settings, preprocessing, and data augmentation. The best combination reaches mAP50 = 0.859 and mAP50:95 = 0.631 on the held-out test split, a 57% and 133% improvement over the default baseline respectively. The hyperparameter configuration, which bundles increased input resolution with extended training to 300 epochs, is the single largest contributor; preprocessing and augmentation each add complementary gains. We note that this configuration combines resolution and epoch changes, so the resolution effect is not fully isolated in the current design. We then deploy the best model on three real-world GeoTIFF orthophotos through a ground-sampling-distance (GSD) adaptive tiling pipeline. The pipeline selects tile dimensions to match the ground coverage seen during training, applies cross-tile non-maximum suppression, and converts bounding boxes to WGS84 coordinates. Despite a measurable domain gap, the pipeline identifies all six defect classes across scenes spanning up to 322 × 843 m, with 2,201 detections on the largest mosaic. Exported GeoJSON and annotated GeoTIFF outputs are validated in QGIS against source rasters.

Все статьи в Google Scholar ↗

• с 2024 по 2026

  Магистратура, информатика и вычислительная техника (Data Science)

  НИТУ МИСИС

  Диплом с отличиемCGPA 5.0 / 5.0

• с 2025 по 2027

  Программа Data Science

  Школа 21 от Сбера

  Победитель интенсива (2025)100%

• с 2015 по 2019

  Бакалавриат, компьютерные науки

  Национальный университет компьютерных и новых наук (FAST)

  Серебряный медалистCGPA 3.6 / 4.0

Сертификаты

• VK Education
  2025

  Практический проект: предсказание пола пользователей соцсетей

  № 480-418972

• Google
  сентябрь 2022

  Сертификация Google Analytics
• C

  Cloud.ru и Школа 21
  декабрь 2025

  Cloud.ru Evolution Fundamentals

  № 4817

Награды

• 2026Диплом участника с высокими достижениями, компьютерные науки и науки о данныхОлимпиада «Открытые двери», Ассоциация «Глобальные университеты»
• 2026Диплом магистра с отличиемНИТУ МИСИС
• 2025Призёр, прикладная математика и искусственный интеллектОлимпиада «Открытые двери», Ассоциация «Глобальные университеты»
• 2025Победитель интенсива Школы 21Школа 21 от Сбера
• 2023Победитель олимпиады «Открытые двери»: стипендия Правительства России, трек «Компьютерные науки и науки о данных»Правительство Российской Федерации
• 20192-е место, региональный этап ACM ICPC 2019ACM, отделение GIKI, Пакистан
• 2019Серебряная медаль, бакалавриат, VI и VII семестрыFAST