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
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.
Machine LearningVurderinger
Ingeniørmæssig fremragendehed
Tevos samlede præstation i en 90-minutters teknisk vurdering i realtid er blandt de top 10% bedst kontrollerede Machine Learning Engineer hos Proxify.
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