NEW
Proxify is bringing transparency to tech team performance based on research conducted at Stanford. An industry first, built for engineering leaders.
Learn more
Traian V.
Machine Learning Engineer
Traian er en Senior Machine Learning Engineer med over syv års kommerciel erfaring med at levere AI-løsninger på tværs af kundesupport automatisering, computervision, naturlig sprogbehandling og generativ AI.
Han udviklede intelligente svarsystemer ved hjælp af domænespecifikke indlejringer, LLM validering og hentning udvidet generation (RAG) samt høj præcision computer vision modeller—herunder Mask R-CNN, YOLOv5 og U-Net anvendes i industrier som mode, fødevareteknologi og produktion.
Hans arbejde omfatter bygning PySpark ML rørledninger, der reducerede SMV-lånestandarder fra 11% til 2%, og implementering real-time defekt detekteringssystemer til fremstilling. Skillet i PyTorch, TensorFlow, Hugging Face, og cloud-platforme, Traian konsekvent leveret skalerbare, produktions-klar AI systemer.
Hovedekspertise
- Python 6 år

- Machine Learning 5 år

- Data Science 5 år
Andre færdigheder
- SQL 5 år
- Docker 4 år
- FastAPI 4 år
Udvalgt oplevelse
Beskæftigelse
Machine Learning Engineer/Researcher
Bluetweak - 1 år 2 måneder
- Udviklet og implementeret et intelligent svarsystem, der kombinerede semantisk skabelon, der matcher med domænespecifikke Sentence Transformers, LLM-baseret skabelonvalidering og RAG-videnshentning.
- Fintunet Stella400M-modellen på ægte kundeinteraktioner for at forbedre semantisk lighed matchning og kontekstuel forståelse for domænespecifikke svar.
- Integreret hybrid respons udvælgelse logik for at sikre høj nøjagtighed, samtidig med at strenge forretningskommunikation standarder.
- Forbedret konsistens i kundesupport ved at automatisere vidensopslag og hentning af kontekst fra intern dokumentation.
Teknologier:
- Teknologier:
Python
Azure
PyTorch
SciPy
Scikit-learn
- NLP
Machine Learning
OpenAI API
LangChain
Ollama
Large Language Models (LLM)
LlamaIndex
Machine Learning Engineer/Researcher
Apsisware (Arnia Software) - 3 flere år 1 måned
- Udviklede og implementerede objektdetekteringsmodeller (Mask R-CNN, YOLOv5) til en fashion recommender app og food recognition pipeline, der opnår over 90% mAP.
- Oprettet klassificering (ResNet) og segmentering (U-Net) modeller for automatiseret produktmærkning og identifikation af fødevarer.
- Implementeret optimeret inferensmodeller på Raspberry Pi 4 enheder ved hjælp af NCNN C ++ ramme, herunder model kvantization.
- Bidrag til en 3D lejlighed genopbygning rørledning fra monokulær video udnytte Droid-SLAM, Polygon-Transformer, og Cube R-CNN.
- Bygget en indkøbsassistent med en in-domain BERT-klassifikator (F1 score 0. 3) og finjusteret en Octopus 2B model med Q-LoRA til forespørgsel routing (nøjagtighed 0,85).
- Implementeret en RAG-baseret opskrift anbefaling system til en købmand forhandler ved hjælp af Llama Index.
- Udviklet en anomali detektering rørledning til identifikation af fremmedlegemer i ovne gennem en hybrid VLM ræsonnement tilgang (Qwen2-VL + Llama3-8B).
Teknologier:
- Teknologier:
Python
C++
OpenCV
PyTorch
- NLP
Machine Learning
Raspberry Pi
- Computer Vision
LangChain
Large Language Models (LLM)
Hugging Face Transformers
LlamaIndex
Hugging Face
Data Scientist
October - 11 måneder
- Designet en PySpark-baseret feature engineering og model uddannelse rørledning fra transactional datasæt.
- Bygget og implementeret en LGBM-kreditrisikomodel, der reducerede misligholdelsesrenten for SMV-lån fra ~11% til ~2%.
- Udviklet et OCR-baseret værktøj, der behandlede årsregnskaber fra scannede PDF-filer ved hjælp af OpenCV, AWS Textract, og Lambda funktioner.
- Leverede API'er til real-time risiko scoring og integreret dem med interne kreditgodkendelse workflows.
Teknologier:
- Teknologier:
AWS
Flask
Python
SQL
AWS Lambda
NumPy
OpenCV
XGBoost
Scikit-learn
Machine Learning
FastAPI
PySpark
Data Scientist
SIG - 7 måneder
- Udviklet en end-to-end maskine læring pipeline til billedbaseret detektion af defekt på kartonemballage.
- Anvendte billedsegmenterings- og klassifikationsmodeller (Mask R-CNN, EfficientNet) til at identificere mikrofejl og -fejl ved scanninger i høj opløsning.
- Oprettet en automatiseret mærkning rørledning ved hjælp af svage tilsynsteknikker til at accelerere datasæt oprettelse.
- Integreret opløsningen i produktionslinjens arbejdsgang til kvalitetskontrol, hvilket reducerer den manuelle kontroltid med 60 %.
Teknologier:
- Teknologier:
Python
Azure
- Data Science
NumPy
OpenCV
PyTorch
SciPy
Scikit-learn
Machine Learning
Pydantic
Large Language Models (LLM)
PyTorch Lightning
PySpark
Jupyter
Uddannelse
MSc.Artificial Intelligence
University of Amsterdam · 2018 - 2020
BSc.Computer Science
Babes-Bolyai Faculty of Mathematics and Informatics · 2015 - 2018
Find din næste udvikler inden for få dage, ikke måneder
Book en 25-minutters samtale, hvor vi:
- udfører behovsafdækning med fokus på udviklingsopgaver
- Forklar vores proces, hvor vi matcher dig med kvalificerede, godkendte udviklere fra vores netværk
- beskriver de næste trin for at finde det perfekte match på få dage
