Tevos M.

Machine Learning Engineer

Tevos ist ein Tech-Lead im Bereich Machine Learning Engineering mit über sechs Jahren Erfahrung, spezialisiert auf das Design und die Implementierung von Echtzeit-ML-Pipelines und Deep-Learning-Lösungen.

Ein herausragendes Merkmal seiner Karriere ist die Architektur und die Bereitstellung einer Echtzeit-ML-Pipeline für Endkunden in Produktionsqualität bei Philip Morris International (PMI). Dieses Projekt demonstrierte nicht nur seine tiefgehende technische Expertise, sondern auch seine Führungsstärke bei der Förderung von Innovation, der Sicherstellung von Geschäftsauswirkungen und der erfolgreichen Operationalisierung von maschinellem Lernen in einem risikobehafteten Umfeld.

Tevos ist sehr geschickt darin, komplexe geschäftliche und technische Herausforderungen in skalierbare, produktionsbereite ML-Systeme zu übersetzen. Er spielt auch eine Schlüsselrolle beim Mentoring von Ingenienteams und bei der Gestaltung technischer Strategien, was ihn zu einem starken Führer im Bereich des maschinellen Lernens macht.

Hauptkompetenz

  • Python
    Python 6 Jahre
  • FastAPI
    FastAPI 3 Jahre
  • Apache Spark
    Apache Spark 3 Jahre

Andere Fähigkeiten

  • Kubernetes
    Kubernetes 3 Jahre
  • Jenkins
    Jenkins 3 Jahre
  • Streamlit
    Streamlit 2 Jahre
Tevos

Tevos M.

Armenia

Erste Schritte

Ausgewählte Erfahrung

Beschäftigung

  • Machine Learning Engineer

    Pin-up TECH/Global - 1 jahr 6 monate

    • Trat als Machine Learning Engineer ein und wurde später zum Technical Lead befördert, um das Team durch wichtige Übergänge zu führen.
    • Leitete mehrere ML-Projekte vom Proof-of-Concept (POC) bis zum Minimal Viable Product (MVP) und stellte dabei Skalierbarkeit und Produktionsbereitschaft sicher.
    • Transformierte die ML-Infrastruktur in einen cloudunabhängigen Stack und optimierte dabei Flexibilität und Kosteneffizienz.
    • Architektur und Verwaltung der Entwicklung von zwei Agentic-Bots, einschließlich Retrieval-Augmented Generation (RAG)-Komponenten.
    • Überwachte die Implementierung eines Empfehlungssystems und eines Sprachklassifikationsmodells und stellte eine robuste Leistung sicher, die mit den Unternehmenszielen übereinstimmte.
    • Etablierte MLOps-Praktiken, einschließlich CI/CD-Pipelines, Monitoring und Alarmsystemen, um Wartbarkeit und Automatisierung zu unterstützen.
    • Ermöglichte die bereichsübergreifende Zusammenarbeit zur Angleichung von Data Science, Engineering und Produktteams.
  • Machine Learning Technical Lead

    Pin-up TECH/Global - 1 jahr 6 monate

    • 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.

    Technologien:

    • Technologien:
    • MongoDB MongoDB
    • Docker Docker
    • AWS AWS
    • Redis Redis
    • Python Python
    • Kubernetes Kubernetes
    • AWS Lambda AWS Lambda
    • TensorFlow TensorFlow
    • FastAPI FastAPI
    • Streamlit Streamlit
    • Large Language Models (LLM) Large Language Models (LLM)
    • LlamaIndex LlamaIndex
  • Machine Learning Engineer

    Intelinair - 9 monate

    • Backend-CI/CD-Prozesse für bestehende Computer Vision automatisch skalierte Deep Learning-Modell-Pipelines eingerichtet.
    • Ein neues Deep Learning-Modell entwickelt, das die operative Funktionalität innerhalb des Analyse-Stacks verbessert.
    • Einen CI/CD-Workflow implementiert, der schnelle und sichere Updates über den gesamten ML-Lebenszyklus ermöglicht, besonders wichtig während der Agrarsaison.
    • Prozesse optimiert, um Kosten und Latenz zu senken und dabei die Genauigkeitsmetriken aufrechtzuerhalten.
  • Machine Learning Operations Engineer

    Intelinair - 9 monate

    • 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.

    Technologien:

    • Technologien:
    • Docker Docker
    • Jenkins Jenkins
    • Data Science
    • OpenCV OpenCV
    • PyTorch PyTorch
    • Scikit-learn Scikit-learn
    • Machine Learning Machine Learning
    • FastAPI FastAPI
    • Cuda Cuda
    • AWS ECR AWS ECR
  • Senior Data Scientist / MLOps

    PMI - 6 jahre 5 monate

    • Eine von Endkunden genutzte Echtzeit-ML-Pipeline in der Produktion gewartet und erweitert.
    • Die erste Pipeline entworfen und entwickelt, um eine robuste und skalierbare Infrastruktur sicherzustellen.
    • Ad-hoc-Projekte für Datenanalyse und mathematische Modellierung durchgeführt.
    • Artikel früh im Produktlebenszyklus klassifiziert, um Service- und Logistikkosten erheblich zu senken.
    • Die Grundlagen für eine zweite Version der Pipeline geschaffen, um vorausschauende Wartung zu ermöglichen.

    Technologien:

    • Technologien:
    • Docker Docker
    • Apache Spark Apache Spark
    • Flask Flask
    • Jenkins Jenkins
    • Kubernetes Kubernetes
    • SQL SQL
    • TensorFlow TensorFlow
    • OpenCV OpenCV
    • PyTorch PyTorch
    • Scikit-learn Scikit-learn
  • Machine Learning Engineer

    Deloitte - 1 jahr

    • Wichtige Finanzkennzahlen und quantitative Modelle entwickelt und angewendet, um marktbezogene Parameter wie Value at Risk (VaR) zu bewerten, um genaue Risiko-Prognosen und Expositionsanalysen zu gewährleisten.
    • Eine umfassende technische Analyse von strukturierten Finanzinstrumenten, wie Hypothekenbesicherten Wertpapieren (MBS) und besicherten Schuldtiteln (CDOs), durchgeführt und Stress-Test, Szenarien-Modellierung und Sensitivitätsanalysen verwendet, um die Leistung unter variierenden Marktbedingungen zu bewerten.
    • Risikobewertungsmethoden entworfen und verfeinert, die klassische Finanztheorie mit datengestützten Techniken kombinieren, um die Entscheidungsfindung und Portfolioresilienz zu verbessern.
    • Mit dem Risikomanagement und den Investitionsteams zusammengearbeitet, um komplexe analytische Einsichten in umsetzbare Empfehlungen zu übersetzen.
    • Pipelines für die Berichterstattung über Risiken und Dashboards automatisiert, um die Transparenz zu verbessern und die Reaktionsfähigkeit auf Marktveränderungen zu beschleunigen.
    • Die regulatorische Konformität von Risikomodellen bewertet, um die Einhaltung interner Risierahmen und externer Standards wie Basel III und IFRS sicherzustellen.
    • Zu Validierungen von Modellen beigetragen, indem Leistungsmessungen und Kalibrierungen für verbesserte Genauigkeit und Robustheit durchgeführt wurden.

    Technologien:

    • Technologien:
    • SQL SQL
    • Scikit-learn Scikit-learn
    • Machine Learning Machine Learning
  • Financial Analyst / Data Analyst

    Deloitte - 1 jahr

    • 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.

    Technologien:

    • Technologien:
    • Data Analytics
    • NLP
    • Machine Learning Machine Learning

Ausbildung

  • MSc.Game Theory

    ISET · 2015 - 2017

Finden Sie Ihren nächsten Entwickler innerhalb von Tagen, nicht Monaten

In einem kurzen 25-minütigen Gespräch würden wir gerne:

  • Auf Ihren Bedarf bezüglich des Recruitments von Software-Entwicklern eingehen
  • Unseren Prozess vorstellen und somit wie wir Sie mit talentierten und geprüften Kandidaten aus unserem Netzwerk zusammenbringen können
  • Die nächsten Schritte besprechen, um den richtigen Kandidaten zu finden - oft in weniger als einer Woche

Unterhalten wir uns