Felipe A.

– Arbeitete bei Rylee, einer E-Commerce-Plattform, die den Kunden Produkterkenntnisse und Marktanalysen bietet, um die Strategien auf Bol.com und Amazon zu verbessern. – Erwarb die Databricks-Zertifizierung in Generative AI, die Expertise mit RAG- und Agentenmodellen demonstriert. – Entwickelte ein großangelegtes Verkaufsprognosemodell unter Verwendung interner Daten von Rylee und gescrapten Daten von Bol.com, um den Produktverkauf vorherzusagen und Bestseller zu identifizieren. – Baute eine API mit Flask und AWS Lambda, um Produktabfragen zu bearbeiten und Einblicke sowie Verkaufsprognosen bereitzustellen. – Entwarf und implementierte ETL-Pipelines unter Verwendung von dbt, Airflow und Spark, um die Merkmalsentwicklung zu automatisieren, einschließlich einer asynchronen Lösung für eine effiziente Datenabfrage über die Bol.com-API unter Berücksichtigung von Ratenlimits und der Parallelisierung in großem Maßstab; automatisierte auch die Datenabstimmung über mehrere Verkäufer. – Wandte PyTorch und Spark an, um leistungsfähige Maschinelles Lernen-Modelle zu optimieren.

– Arbeitete bei Homemove, einer umfassenden Plattform, die umzugsbezogene Dienstleistungen anbietet, einschließlich Umfragen, Umzüge und Hypotheken, die in einer einzigen App integriert sind. – Entwickelte ein LLM-gesteuertes Verhandlungstool, das es Benutzern ermöglichte, Angebote zu erhalten und Preise über einen KI-Chatbot zu verhandeln, automatisch Kunden zu einem CRM hinzuzufügen und das Vertriebsteam bei erfolgreicher Verhandlung zu benachrichtigen, unter Verwendung von OpenAI-Assistenten und GPT-Modellen. – Führte eine skalierbare Datenumwandlungsinitiative durch und nutzte Snowflake für Cloud-Datenlagerung sowie Sigma für BI und Visualisierung. – Entwarf und implementierte ETL-Pipelines von Grund auf mit Snowflake, Python, SQL, dbt und Airflow, um die Datenaufnahme und -umwandlung zu automatisieren. – Baute eine prädiktive Modellierungslösung, um die Marketingkosten zu senken und das Targeting zu verbessern, indem hochgradige Umzugsprognosen identifiziert wurden. – Wandte PyTorch und Snowpark für fortgeschrittenes maschinelles Lernen an, um leistungsstarke Modelle zu optimieren. – Lieferte ein prädiktives Modell, das während der Serie-A-Finanzierungsrunde von Homemove verwendet werden sollte.

– Arbeitete als Data Science-Spezialist bei FourthRev und entwickelte sowie unterrichtete einen fortgeschrittenen Online-Datenwissenschaftskurs für Studenten der Universität Cambridge. – Entwickelte und lieferte einen umfassenden Lehrplan, der neuronale Netze, NLP für KI, unüberwachtes Lernen und fortschrittliche Entscheidungsbaumalgorithmen, einschließlich XGBoost, abdeckte. – Wandte praktische Implementierungen für maschinelles Lernen an und setzte innovative Lehrmethoden ein, um die Studentenbindung und Lernresultate zu verbessern. – Demonstrierte fundierte technische Kenntnisse in der Datenwissenschaft und im maschinellen Lernen und erlangte Anerkennung von akademischen Kollegen für effektives Lehren und Lehrplangestaltung.

– Arbeitete bei Outra, einem datengestützten Immobilienanalyseunternehmen, das sich darauf spezialisiert hat, haushaltsbezogene Daten zur Optimierung der Kundendienste bereitzustellen. – Migrierte die Plattform von Dataiku zu einer benutzerdefinierten Intelligence Fabric und nutzte MLflow, Airflow, Snowflake, GitHub Actions, AWS und DBT für die Datenverarbeitung. – Entwickelte zwei wichtige prädiktive Modelle zur Prognose von Haushaltslisten und Verkaufs-/Vermietungszeiträumen, wodurch eine Multi-Millionen-Dollar-Partnerschaft mit Zoopla ermöglicht wurde. – Wandte LLMs für die Dokumentation von Code, Programmierunterstützung und interaktive Chatbots für Dashboards und kundenorientierte Daten an. – Baute ETL/ELT-Pipelines, um Rohdaten zu transformieren und für die Modellierung vorzubereiten. – Erstellte Visualisierungen und Karten mit KeplerGI, Seaborn und Dataiku, um es nicht-technischen Nutzern zu ermöglichen, komplexe Daten zu interpretieren.

– Arbeitete bei Belmont Green, einer spezialisierten Hypothekendarlehensfirma, die finanziellen und hypothekarischen Lösungen für von der Finanzkrise betroffene Kunden anbietet. – Entwickelte ein Umwandlungsmodell mithilfe von Überlebensanalysetechniken und leitete das Projekt vom Konzept bis zur Produktion. – Entwickelte maschinelles Lernalgorithmen und statistische Modelle für Zeitreihendaten mit Fokus auf Kundenbindung, Lebenszeitwert und erwartete Verlustmodelle. – Übernahm Projekte von Anfang bis Ende und stellte sicher, dass Machbarkeitsnachweise erfolgreich umgesetzt und in Produktion genommen wurden. – Implementierte maschinelle Lernalgorithmen für Cashflow, Frühablösung, Ausfall, Vorzahlung und Umwandlungsmodelle unter Verwendung von Python und R. – Wandte Cluster- und Segmentierungstechniken an, um die Produktnutzung und das Kundenverhalten für Marketing- und Strategieziele zu analysieren.

• Boster.Ai is a company dedicated to create No-code bots for data retrieval, monitoring and automation. Originally, they started as an IT consultancy company, creating personalized solutions to small and mid-size companies to harvest the power of Machine Learning

• Felipe worked performing data exploration, analysis, and building Machine Learning algorithms and statistical models for several start-ups/mid-size companies in the UK and USA.

• He built and diagnostic Neural Networks models for forecasting key performance indicators using Python, TensorFlow, and Keras.

• Worked in e-commerce businesses solving customer behaviour problems such as lifetime value, clustering of customers, etc.

• Performed ethical web scraping using Python with scraPy, RoboBrowser, and BeautifulSoup to obtain data for various analyses.