Tevos M.
Machine Learning Engineer
En af hans mest bemærkelsesværdige præstationer er arkitekturen og produktionsimplementeringen af en forbrugerorienteret realtids ML-pipeline hos Philip Morris International (PMI). Dette projekt demonstrerede ikke kun hans dybe tekniske ekspertise, men også hans lederskab i at drive innovation, sikre forretningsmæssig indflydelse og succesfuldt operationalisere maskinlæring i et miljø med høj risiko.
Tevos er meget dygtig til at oversætte komplekse forretnings- og tekniske udfordringer til skalerbare, produktionsklare ML-systemer. Han spiller også en central rolle i at mentorsere ingeniørteams og forme teknisk strategi, hvilket gør ham til en stærk leder inden for maskinlæringsområdet.
Hovedekspertise
Python6 år
FastAPI3 år
Apache Spark3 år
Docker5 årErfaring7
Machine Learning Engineer
- Deltog som Machine Learning Engineer og blev senere forfremmet til Technical Lead for at lede teamet gennem nøgleovergange.
- Ledede flere ML-projekter fra proof-of-concept (POC) til minimum viable product (MVP), for at sikre skalerbarhed og produktionsklarhed.
- Transformerde ML-infrastrukturen til en sky-agnostisk stak, der optimerede fleksibilitet og omkostningseffektivitet.
- Arkitekterede og styrede udviklingen af to Agentic-bots, herunder Retrieval-Augmented Generation (RAG) komponenter.
- Overvågede implementeringen af et anbefalingssystem og en stemmeklassificeringsmodel, med fokus på robust ydeevne og overensstemmelse med forretningsmål.
- Etablerede MLOps-praksis, herunder CI/CD pipelines, overvågning og alarmsystemer for at støtte vedligeholdelse og automatisering.
- Faciliteterede tværfunktionelt samarbejde mellem data science, engineering og produktteams.
Machine Learning Technical Lead
-
Initially joined as a Machine Learning Engineer, then elected as the Technical Lead to guide the team through key transitions;
-
Led the evolution of multiple ML projects from proof-of-concept (POC) to minimum viable product (MVP), ensuring scalability and production-readiness;
-
Spearheaded the transformation of the ML infrastructure into a cloud-agnostic stack, optimizing for flexibility and cost-efficiency;
-
Architected and managed the development of two Agentic bots, including Retrieval-Augmented Generation (RAG) components;
-
Oversaw the implementation of a recommendation system and a voice classification model, ensuring robust performance and alignment with business goals;
-
Established MLOps practices, including CI/CD pipelines, monitoring, and alerting systems to support long-term maintainability and automation;
-
Facilitated cross-functional collaboration, driving alignment between data science, engineering, and product teams;
-
Mentored junior engineers and fostered a culture of technical excellence and knowledge sharing within the team.
MongoDBDocker
AWS
RedisPython
Machine Learning Engineer
- Opsatte backend CI/CD-processer for eksisterende computer vision auto-skalerede dybe læringsmodelpipelines.
- Udviklede en ny dyb læringsmodel for at forbedre operationel funktionalitet inden for analysetakken.
- Implementerede et CI/CD-arbejdsgang, der muliggør hurtige og sikre opdateringer gennem hele ML-livscyklussen, kritisk i landbrugssæsonen.
- Optimerede processer for at reducere omkostninger og latenstid, mens der blev opretholdt præcisionsmålinger.
Machine Learning Operations Engineer
-
Set up the backend CI/CD processes for existing computer vision auto-scaled DL model pipelines;
-
Developed a new DL model to enhance operational functionality within the analytics stack;
-
Implemented a CI/CD process enabling fast and safe introduction of changes in the full ML lifecycle, critical during the agricultural season;
-
Optimized processes to achieve cost and latency reduction while maintaining accuracy metrics.
Docker
Jenkins
Data Science
OpenCV
PyTorch
Senior Data Scientist / MLOps
- Vedligeholdt og udvidede en end-to-end forbrugerorienteret realtids ML-pipeline i produktion.
- Arkitekterede og udviklede den oprindelige pipeline, hvilket sikrede robust og skalerbar infrastruktur.
- Gennemførte ad hoc-projekter fokuseret på dataminering og matematisk modellering.
- Klassificerede elementer tidligt i produktlivscyklusen, hvilket betydeligt reducerede service- og logistikomkostninger.
- Lagt fundamentet til en anden version af pipelinen for at muliggøre prædiktiv vedligeholdelse.
DockerApache Spark
FlaskJenkins
Kubernetes
Machine Learning Engineer
- Udviklede og anvendte nøglefinansielle nøgletal og kvantitative modeller til at evaluere markedsrelaterede parametre, herunder Value at Risk (VaR), og sikrede præcise risikoforudsigelser og eksponeringsanalyser.
- Gennemførte dybdegående teknisk analyse af strukturerede finansinstrumenter, såsom realkreditobligationer (MBS) og sikkerhedskollateraliserede gældsforpligtelser (CDOs), ved hjælp af stresstest, scenariomodellering og følsomhedsanalyse for at vurdere præstation under varierende markedsforhold.
- Designede og finjusterede risikovurderingsmetoder, der kombinerer traditionel finansiel teori med data-drevne teknikker for at forbedre beslutningstagning og porteføljens modstandsdygtighed.
- Samarbejdede med risikostyrings- og investeringsteams for at oversætte komplekse analytiske indsigter til handlingsbare anbefalinger.
- Automatiserede risikorapporteringspipelines og dashboards, hvilket forbedrede gennemsigtigheden og accelererede reaktionen på markedsudsving.
- Vurderede overholdelse af risikomodeller, hvilket sikrede overholdelse af interne risrammer og eksterne standarder som Basel III og IFRS.
- Bidrog til modelvalidering ved at backteste præstationsmålinger og kalibrere modeller for forbedret nøjagtighed og robusthed.
SQL
Scikit-learn
Machine LearningFinancial Analyst / Data Analyst
-
Developed and contributed to packages dedicated to data ETL, ML, and statistical analysis;
-
Enhanced general operation components of the stack, including GUI-related elements, for team projects;
-
Worked on structured and unstructured knowledge extraction and NLP tools.
Data AnalyticsMachine LearningIngeniørmæssig fremragendehed
Alle Machine Learning 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 Machine Learning Engineerer er fordelt over dette interval, hvor vores acceptgrænse for denne parameter ligger, og hvor Tevos står.
Score 193 · Top 9% of engineers
Uddannelse
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