Levon Y.
Senior ML Engineer
AWS Certified Machine Learning – Specialty, med omfattende ekspertise i at bygge skalerbare ML-systemer fra eksperimentering til produktion.
Gennem sin karriere har han leveret maskinlæringsløsninger med stor effekt, der forbedrede forretningsresultaterne, herunder genindvinding af 10 % af tidligere uløste svindelsager gennem uplift-klassificering, opnåelse af 90 % automatiseret dokumentklassificeringsnøjagtighed ved brug af BERT- og FastText-modeller, samt udvikling af computervisionsmodeller, der nåede 96 % nøjagtighed i tegngenkendelse. Hans erfaring spænder over hele maskinlæringens livscyklus, herunder dataforberedelse, feature engineering, modeludvikling, evaluering, deployment, overvågning og kontinuerlig optimering.
Ud over sin tekniske ekspertise har han ledet tekniske initiativer og samarbejdet tæt med tværfunktionelle teams om at omsætte forretningskrav til produktionsklare AI-løsninger. Med praktisk erfaring inden for datapipelinedesign, MLOps, cloud-infrastruktur og modeldeployment er han godt rustet til at levere pålidelige, skalerbare maskinlæringssystemer, der skaber målbar forretningsværdi.
Hovedekspertise
Machine Learning8 år
Python7 år
AWS1 år
Amazon SageMaker1 årErfaring4
Senior Machine Learning Engineer
- Udførte sikkerhedsevalueringer af opsummeringssystemer til app store-anmeldelser og musiksøgeforespørgsler
- Genererede syntetiske datasæt og designede promptbaserede klassificeringspipelines ved brug af forskellige store sprogmodeller (LLM'er)
- Identificerede usikre modeloutput og bidrog til at forbedre modellens overensstemmelse med etablerede sikkerhedsstandarder
- Optimerede prompt engineering-strategier for at forbedre klassificeringsnøjagtigheden på tværs af flere indholdskategorier
PythonMachine Learning
OpenAI API
Prompt Engineering
Large Language Models (LLM)
Senior Data Scientist
- Udviklede et personligt tilpasset opgavetildelingssystem for at forbedre brugernes vægttabsresultater og øge fastholdelsesraterne
- Ledte den fulde udrulning af anbefalingsmoduler til alle produktionsbrugere
- Byggede datapipelines og analytiske modeller ved brug af Python, SQL, Amazon SageMaker og Snowflake
- Anvendte retentionsanalyse ved brug af Retentioneering til at identificere churn-mønstre og optimere brugerengagement-flows
AWSPython
SQL
Data Science
Pandas
Machine Learning Specialist
- Ledte et team i at forbedre bevisforudsigelse gennem identifikation af lignende beskrivelser og uplift-klassificering, og genindvandt 10 % af tidligere uløste sager
- Udnyttede store sprogmodeller (LLM'er), herunder OpenAI-modeller og Zephyr 7B, til feature engineering, hvilket automatiserede 80 % af arbejdsgangene til finansiel svindeldetektion
- Håndterede et projekt til registrering af lastbil- og containernumre, og øgede størrelsen på det domænespecifikke datasæt med 75 % gennem web scraping og syntetisk datagenerering
- Byggede objektdetektions- og tegngenkendelsesmodeller ved brug af PyTorch og YOLO, og opnåede 96 % objektdetektionsnøjagtighed og 80 % tegngenkendelsesnøjagtighed
- Samarbejdede om en patentklassificeringsløsning til Philip Morris International og designede en multi-label klassificeringspipeline ved brug af Scikit-learn og LightGBM
- Vurderede label-kvalitet gennem dybdegående annotationsanalyse og identificerede en anslået fejlmærkningsrate på 15 %
- Skabte interaktive datavisualiseringer ved brug af Streamlit og udrullede machine learning-løsninger med Docker
Docker
Project ManagementPython
PyTorch
Scikit-learn
Machine Learning Specialist
- Opnåede en automatiseret HS-kodeklassificeringsrate på 90 % ved at træne og optimere FastText- og BERT-modeller
- Trænede en transformer-baseret stavekontrol, der forbedrede kvaliteten af tekstforbehandling for støjfyldte beskrivelser med 20 %
- Samarbejdede om udviklingen af svindeldetektionsmodeller til fakturaer og forsendelsesmanifester, hvilket forbedrede toldprocesser og sikkerhedsforanstaltninger
- Designede og implementerede data processing- og machine learning-træningspipelines ved brug af Scikit-learn, CatBoost og LightGBM
- Udviklede en model til prognosticering af klareringstid ved brug af Holt-Winters-prognosealgoritmen
- Byggede et system til opdagelse af falske fakturaer baseret på dokumentlayoutanalyse ved brug af OpenCV
Python
OpenCVPyTorchScikit-learnMachine LearningIngeniørmæssig fremragendehed
Alle Senior ML Engineerer, der har ansøgt til Proxify, får en score fra 0 til 300 på teknisk dygtighed, en af de fem parametre, vi evaluerer. Denne score afspejler kun teknisk dygtighed baseret på interviews, hjemmeopgaver, live kodningssessioner og/eller vurderinger af præstationer på jobbet. Kurven viser, hvordan alle evaluerede Senior ML Engineerer er fordelt over dette interval, hvor vores acceptgrænse for denne parameter ligger, og hvor Levon står.
Score 178 · Top 15% of engineers
Certifikater 1
Issued Feb 2026 - Expires Feb 2029
AWSMachine LearningAmazon SageMakerIssued Feb 2026 - Expires Feb 2029
AWSMachine LearningAmazon SageMakerUddannelse
Stop med at søge.
Bliv matchet hurtigere.
Tal med en ekspert og få skræddersyede matches fra vores netværk på kun 2 dage.
Få adgang til over 6.000+ eksperter
Få matchet med en udvikler på gennemsnitligt 2 dage
Ansæt hurtigt og nemt med 94 % matchsuccess