Traian V.

• 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.

• 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).

• 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.

• 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 %.

Shell is a global energy company operating in over 70 countries, focusing on oil, gas, and renewable energy.

• Developed a machine learning solution for predicting maintenance needs of refinery equipment using sensor time-series data.

• Implemented anomaly detection algorithms (Isolation Forest, LSTM Autoencoders) to identify early signs of equipment failure.

• Deployed models to AWS pipelines, enabling ongoing retraining and monitoring.

• Collaborated with mechanical engineers to integrate alerts into SCADA systems for real-time response.

MSG Systems offers consulting, software development, and system integration services for industries such as automotive, insurance, and public administration.

• Built NLP pipelines for automated document processing in the insurance sector, extracting entities and intent from unstructured text.

• Utilized spaCy and BERT-based models for policy classification and claim routing.

• Created a topic modeling tool (LDA, NMF) to group customer queries and identify trends to improve processes.

• Integrated models with internal CRM systems via REST APIs for real-time data processing.