Traian V.
Machine Learning Engineer
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
Python6 år
Machine Learning5 årErfaring4
Machine Learning Engineer/Researcher
- 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.
Python
Azure
PyTorch
SciPy
Scikit-learnMachine Learning Engineer/Researcher
- 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).
Python
C++
OpenCVPyTorch
Data Scientist
- 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.
AWS
FlaskPython
SQL
AWS Lambda
Data Scientist
- 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 %.
PythonAzure
NumPyOpenCVVurderinger
Ingeniørmæssig fremragendehed
Traian samlede præstation i en 90-minutters teknisk vurdering i realtid er blandt de top 15% 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