Levon Y.
Senior ML Engineer
AWS Certified Machine Learning – Specialty, mit umfangreicher Expertise im Aufbau skalierbarer ML-Systeme vom Experiment bis zur Produktion.
Im Laufe seiner Karriere hat er wirkungsvolle Machine-Learning-Lösungen geliefert, die die Geschäftsergebnisse verbesserten, darunter die Rückgewinnung von 10 % zuvor ungelöster Betrugsfälle durch Uplift-Klassifizierung, das Erreichen einer 90%igen automatisierten Dokumentklassifizierungsgenauigkeit mit BERT- und FastText-Modellen sowie die Entwicklung von Computer-Vision-Modellen, die eine Zeichenerkennungsgenauigkeit von 96 % erreichten. Seine Erfahrung umfasst den gesamten Machine-Learning-Lebenszyklus, einschließlich Datenaufbereitung, Feature Engineering, Modellentwicklung, Evaluierung, Bereitstellung, Monitoring und kontinuierlicher Optimierung.
Neben seiner technischen Expertise hat er Engineering-Initiativen geleitet und eng mit funktionsübergreifenden Teams zusammengearbeitet, um Geschäftsanforderungen in produktionsreife KI-Lösungen umzusetzen. Mit praktischer Erfahrung im Design von Datenpipelines, MLOps, Cloud-Infrastruktur und Modellbereitstellung ist er gut aufgestellt, um zuverlässige, skalierbare Machine-Learning-Systeme zu liefern, die messbaren Geschäftswert schaffen.
Hauptkompetenz
Machine Learning8 Jahre
Python7 Jahre
AWS1 jahr
Amazon SageMaker1 jahrErfahrung4
Senior Machine Learning Engineer
- Durchführung von Sicherheitsbewertungen von Zusammenfassungssystemen für App-Store-Rezensionen und Musiksuchanfragen
- Generierung synthetischer Datensätze sowie Entwurf promptbasierter Klassifizierungspipelines mit verschiedenen großen Sprachmodellen (LLMs)
- Identifizierung unsicherer Modellausgaben sowie Beitrag zur Verbesserung der Modellausrichtung an etablierten Sicherheitsstandards
- Optimierung von Prompt-Engineering-Strategien zur Verbesserung der Klassifizierungsgenauigkeit über mehrere Inhaltskategorien hinweg
PythonMachine Learning
OpenAI API
Prompt Engineering
Large Language Models (LLM)
Senior Data Scientist
- Entwicklung eines personalisierten Aufgabenzuweisungssystems zur Verbesserung der Gewichtsverlustergebnisse der Nutzer und Steigerung der Bindungsraten
- Leitung der End-to-End-Einführung von Empfehlungsmodulen für alle Produktionsnutzer
- Aufbau von Datenpipelines und analytischen Modellen mit Python, SQL, Amazon SageMaker und Snowflake
- Anwendung von Retentionsanalysen mit Retentioneering zur Identifizierung von Abwanderungsmustern und Optimierung von Nutzerengagement-Flows
AWSPython
SQL
Data Science
Pandas
Machine Learning Specialist
- Leitung eines Teams zur Verbesserung der Beweisvorhersage durch Identifikation ähnlicher Beschreibungen und Uplift-Klassifizierung, wodurch 10 % zuvor ungelöster Fälle zurückgewonnen wurden
- Einsatz großer Sprachmodelle (LLMs), einschließlich OpenAI-Modelle und Zephyr 7B, für Feature Engineering, wodurch 80 % der Workflows zur Erkennung von Finanzbetrug automatisiert wurden
- Verantwortung für ein Projekt zur Erkennung von LKW- und Containernummern, wobei die Größe des domänenspezifischen Datensatzes durch Web Scraping und synthetische Datengenerierung um 75 % gesteigert wurde
- Aufbau von Objekterkennungs- und Zeichenerkennungsmodellen mit PyTorch und YOLO, wodurch eine Objekterkennungsgenauigkeit von 96 % und eine Zeichenerkennungsgenauigkeit von 80 % erreicht wurde
- Mitwirkung an einer Patentklassifizierungslösung für Philip Morris International, mit Entwurf einer Multi-Label-Klassifizierungspipeline unter Verwendung von Scikit-learn und LightGBM
- Bewertung der Label-Qualität durch eingehende Annotationsanalyse, mit Identifizierung einer geschätzten Fehlkennzeichnungsrate von 15 %
- Erstellung interaktiver Datenvisualisierungen mit Streamlit und Bereitstellung von Machine-Learning-Lösungen mit Docker
Docker
Project ManagementPython
PyTorch
Scikit-learn
Machine Learning Specialist
- Erreichung einer automatisierten HS-Code-Klassifizierungsrate von 90 % durch Training und Optimierung von FastText- und BERT-Modellen
- Training einer transformerbasierten Rechtschreibprüfung, die die Qualität der Textvorverarbeitung für verrauschte Beschreibungen um 20 % verbesserte
- Mitwirkung an der Entwicklung von Betrugserkennungsmodellen für Rechnungen und Frachtmanifeste zur Verbesserung von Zollprozessen und Sicherheitsmaßnahmen
- Entwurf und Implementierung von Datenverarbeitungs- und Machine-Learning-Trainingspipelines mit Scikit-learn, CatBoost und LightGBM
- Entwicklung eines Modells zur Prognose der Abfertigungszeit unter Verwendung des Holt-Winters-Prognosealgorithmus
- Aufbau eines Systems zur Erkennung gefälschter Rechnungen basierend auf Dokumentlayout-Analyse mit OpenCV
Python
OpenCVPyTorchScikit-learnMachine LearningExcellence en ingénierie
Alle Senior ML Engineers, die sich bei Proxify beworben haben, werden auf einer Skala von 0 bis 300 in technischer Exzellenz bewertet, einem der fünf von uns bewerteten Parameter. Diese Bewertung spiegelt ausschließlich die technische Exzellenz wider, basierend auf Interviews, Heimaufgaben, Live-Coding-Sitzungen und/oder Leistungsbewertungen am Arbeitsplatz. Die Kurve zeigt, wie alle bewerteten Senior ML Engineers in diesem Bereich verteilt sind, wo unsere Akzeptanzschwelle für diesen Parameter liegt und wo sich Levon befindet.
Score 178 · Top 15% of engineers
Zertifikate 1
Issued Feb 2026 - Expires Feb 2029
AWSMachine LearningAmazon SageMakerIssued Feb 2026 - Expires Feb 2029
AWSMachine LearningAmazon SageMakerAusbildung
Hör auf zu stöbern.
Lass dich schneller matchen.
Sprechen Sie mit einem Experten und erhalten Sie innerhalb von nur 2 Tagen maßgeschneiderte Matches aus unserem Netzwerk.
Zugriff auf über 6.000+ Experten
Werden Sie im Durchschnitt in 2 Tagen mit einem Entwickler zusammengebracht
Schnell und einfach einstellen mit 94% Übereinstimmungserfolg