Traian V.

Machine Learning Engineer

Traian ist ein Senior Machine Learning Engineer mit mehr als sieben Jahren kommerzieller Erfahrung, die AI-Lösungen in der gesamten Kundendienstautomatisierung liefert. EDV-Vision, natürliche Sprachverarbeitung und generative KI.

Er entwickelte intelligente Antwortsysteme mit domänenspezifischen Einbettungen, LLM-Validierung und abrufverbesserter Generierung (RAG), sowie hochpräzise Computer-Vision-Modelle, einschließlich der Mask R-CNN, YOLOv5 und U-Networks in Branchen wie Mode, Lebensmitteltechnik und Fertigung.

Seine Arbeit umfasst den Bau von PySpark ML-Pipelines, die die Kreditausfälle von KMU von 11% auf 2% reduzierten, und die Einführung von Echtzeit-Fehlererkennungssystemen für die Herstellung. Traian ist in PyTorch, TensorFlow, Hugging Face und Cloud-Plattformen ausgebildet und lieferte kontinuierlich skalierbare, produktionsfertige KI-Systeme.

Hauptkompetenz

  • Python
    Python 6 Jahre
  • Machine Learning
    Machine Learning 5 Jahre
  • Data Science 5 Jahre

Andere Fähigkeiten

  • SQL
    SQL 5 Jahre
  • Docker
    Docker 4 Jahre
  • FastAPI
    FastAPI 4 Jahre
Traian

Traian V.

Romania

Erste Schritte

Ausgewählte Erfahrung

Beschäftigung

  • Machine Learning Engineer/Researcher

    Bluetweak - 1 jahr 2 monate

    • Entwickelt und implementiert ein intelligentes Antwortsystem, das semantische Vorlagen mit domänenspezifischen Sentence Transformers, LLM-basierter Vorlagenvalidierung und RAG-Erkenntnisabruf kombiniert.
    • Feineinstellung des Stella400M-Modells bei echten Kundeninteraktionen, um semantische Ähnlichkeit und Kontextverständnis für domänenspezifische Antworten zu verbessern.
    • Integrierte Hybrid-Antwort-Auswahllogik, um hohe Genauigkeit bei Einhaltung strenger Geschäftskommunikationsstandards zu gewährleisten.
    • Verbesserung der Konsistenz der Kundenbetreuung durch Automatisierung von Wissensabfragen und Abruf von Kontext aus internen Dokumentationen.

    Technologien:

    • Technologien:
    • Python Python
    • Azure Azure
    • PyTorch PyTorch
    • SciPy SciPy
    • Scikit-learn Scikit-learn
    • NLP
    • Machine Learning Machine Learning
    • OpenAI API OpenAI API
    • LangChain LangChain
    • Ollama Ollama
    • Large Language Models (LLM) Large Language Models (LLM)
    • LlamaIndex LlamaIndex

  • Machine Learning Engineer/Researcher

    Apsisware (Arnia Software) - 3 jahre 1 monat

    • Entwickelte und eingesetzte Objekterkennungsmodelle (Mask R-CNN, YOLOv5) für eine Modeempfehler-App und Lebensmittelerkennungs-Pipeline, erreicht über 90% mAP.
    • Erstellte Klassifikation (ResNet) und Segmentierungsmodelle (U-Net) für automatisierte Produktkennzeichnung und Kennzeichnung von Lebensmitteln.
    • Auf Raspberry Pi 4 Geräten mit Hilfe des NCNN C++ Frameworks inklusive Modellquantisierung.
    • Beitrag zu einer 3D-Wohnungsrekonstruktion Pipeline aus monokulären Video unter Verwendung von Droid-SLAM, Polygon-Transformer und Cube R-CNN.
    • Einen Shopping-Assistenten mit einem In-Domain BERT Klassifikator (F1 Score 0. 3) und Feineinstellung eines Octopus 2B-Modells mit Q-LoRA für Abfragerouting (Genauigkeit 0.85).
    • Einführung eines Rezeptempfehlungssystems auf RAG-Basis für einen Lebensmittelhändler mit dem Llama Index.
    • Entwicklung einer Anomalie Erkennungspipeline für die Identifizierung fremder Objekte in Ofen durch einen hybriden VLM-Argumentationsansatz (Qwen2-VL + Llama3-8B).

    Technologien:

    • Technologien:
    • Python Python
    • C++ C++
    • OpenCV OpenCV
    • PyTorch PyTorch
    • NLP
    • Machine Learning Machine Learning
    • Raspberry Pi Raspberry Pi
    • Computer Vision
    • LangChain LangChain
    • Large Language Models (LLM) Large Language Models (LLM)
    • Hugging Face Transformers Hugging Face Transformers
    • LlamaIndex LlamaIndex
    • Hugging Face Hugging Face

  • Data Scientist

    October - 11 monate

    • Entwickelt eine PySpark-basierte Feature-Engineering- und Modellschulungspipeline aus transaktionalen Datensätzen.
    • Erstellte und setzte ein LGBM-Kreditrisikomodell, das den Kreditausfallsatz von KMU von ~11% auf ~2% reduzierte.
    • Entwickelt ein OCR-basiertes Werkzeug, das Abschlüsse von gescannten PDFs mit OpenCV, AWS Textrakt und Lambda Funktionen verarbeitet.
    • Ausgelieferte APIs zur Echtzeit-Risikobewertung und Integration mit internen Genehmigungsworkflows.

    Technologien:

    • Technologien:
    • AWS AWS
    • Flask Flask
    • Python Python
    • SQL SQL
    • AWS Lambda AWS Lambda
    • NumPy NumPy
    • OpenCV OpenCV
    • XGBoost XGBoost
    • Scikit-learn Scikit-learn
    • Machine Learning Machine Learning
    • FastAPI FastAPI
    • PySpark PySpark

  • Data Scientist

    SIG - 7 monate

    • Entwicklung einer end-to-end maschinellen Lernpipeline zur imagebasierten Fehlererkennung auf Kartonverpackung.
    • Angewandte Bildsegmentierungs- und Klassifikationsmodelle (Mask R-CNN, EfficientNet) zur Identifizierung von Mikro- und Druckfehlern bei hochauflösenden Scans.
    • Eine automatisierte Labeling-Pipeline mit schwachen Überwachungstechniken zur Beschleunigung der Dataset-Erstellung erstellt.
    • Integration der Lösung in den Qualitätskontrollworkflow der Fertigungslinie, wodurch die manuelle Inspektion um 60% reduziert wird.

    Technologien:

    • Technologien:
    • Python Python
    • Azure Azure
    • Data Science
    • NumPy NumPy
    • OpenCV OpenCV
    • PyTorch PyTorch
    • SciPy SciPy
    • Scikit-learn Scikit-learn
    • Machine Learning Machine Learning
    • Pydantic Pydantic
    • Large Language Models (LLM) Large Language Models (LLM)
    • PyTorch Lightning PyTorch Lightning
    • PySpark PySpark
    • Jupyter Jupyter

Ausbildung

  • MSc.Artificial Intelligence

    University of Amsterdam · 2018 - 2020

  • BSc.Computer Science

    Babes-Bolyai Faculty of Mathematics and Informatics · 2015 - 2018

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

Jetzt Entwickler:innen finden, die innerhalb von wenigen Tagen starten können. Ohne Risiko.