Miguel A.

Data Scientist

Spain

Verifiziertes Mitglied seit 2025

7 Jahre Erfahrung

Im Laufe seiner Karriere hat Miguel wichtige Beiträge bei IBM, Banco Santander und Atos geleistet und vier Patente in den Bereichen natürliche Sprachverarbeitung und Deep Learning verfasst. Er wurde als Gewinner des HackThatStartup Datathon ausgezeichnet und ist auch als Juror für IBMs AI Challenges tätig.

Miguel hat Leistungssteigerungen von bis zu 30 % über alle Systeme hinweg erzielt und hat erfolgreich funktionsübergreifende Teams bei der Bereitstellung von Datenprodukten im Unternehmensmaßstab geleitet. Er besitzt Zertifizierungen von Microsoft, AWS und IBM und promoviert derzeit an der Polytechnischen Universität von Katalonien. Miguel vereint tiefgreifende technische Kenntnisse und geschäftliche Einblicke und widmet sich der Förderung von Innovationen und der Entwicklung wirkungsvoller KI-Lösungen.

Hauptkompetenz

Google Cloud6 Jahre

Azure5 Jahre

AWS4 Jahre

MySQL7 Jahre

30+

Erfahrung4

Data Scientist

IQVIA•

Healthcare

Apr 2022 · 4J 6M

Er leitete KI/ML-Initiativen, darunter die Entwicklung von Nachfrageprognosemodellen für pharmazeutische Produkte, die Prognosefehler um 20 % reduzierten und die Zuverlässigkeit der Lieferkette verbesserten.
Entwicklung und Bereitstellung eines Systems für den Abgleich von Medikamenten mithilfe von NLP und Deep Learning, Optimierung der Rezeptverarbeitung und Verbesserung der Patientenergebnisse.
Entwicklung von End-to-End-ML-Pipelines in Databricks und Azure ML, Gewährleistung skalierbarer und reproduzierbarer Workflows für große Datensätze im Gesundheitswesen.
Verbesserung der Leistung bestehender Modelle um bis zu 30 % durch fortschrittliches Hyperparameter-Tuning, Feature Engineering und Modelloptimierung.

AWS

Databricks

Apache Spark

Python

AWS Lambda

15+

Data Scientist

Banco Santander•

Banking and Finance

Jan 2021 - Mar 2022 · 1J 2M

Entwicklung von ML-Modellen für die Betrugserkennung und Risikobewertung, die die Zahl der Fehlalarme um 15 % reduzierten und gleichzeitig die Betrugsprävention verbesserten.
Anwendung von Deep-Learning-Techniken zur Optimierung von Kreditscoring-Modellen, wodurch die Bewilligungsquoten erhöht wurden, ohne das Risiko zu beeinträchtigen.
Einführung von Spark-basierten Pipelines zur Verarbeitung hochfrequenter Transaktionsdaten, die schnellere Einblicke und Entscheidungen ermöglichen.

MySQL

AWS

Apache Spark

Python

AWS Lambda

11+

Data Scientist

IBM•

Information Technology (IT) and Services

Jan 2017 - Dec 2020 · 3J 11M

Entwicklung von NLP- und Deep-Learning-Lösungen, die zu vier Patentanmeldungen in Bereichen wie Konversations-KI, Textzusammenfassung und automatische Klassifizierung führten.
Aufbau produktionsfähiger ML-Pipelines für Unternehmenskunden, Verbesserung der Erklärbarkeit von Modellen und Steigerung der Akzeptanz in regulierten Branchen.
Zusammenarbeit mit IBM Research-Teams, um die Integration von Deep-Learning-Techniken in kundenfähige Produkte zu beschleunigen.

AWS

Python

AWS Lambda

AWS S3

Azure

13+

Data Scientist

Atos•

Information Technology (IT) and Services

Sep 2015 - Dec 2016 · 1J 3M

Er leistete Pionierarbeit bei Deep-Learning-Forschungsprojekten, die zu Patentanmeldungen in den Bereichen neuronale Netzwerkoptimierung und semantische Suche führten.
Er wendete Modelle des maschinellen Lernens auf große Unternehmensdatensätze an und lieferte Vorhersageerkenntnisse, die die Entscheidungsfindung der Kunden verbesserten.
Zusammenarbeit mit F&E-Teams bei der Entwicklung skalierbarer Architekturen für den Einsatz von ML in Produktionsumgebungen.
Teilnahme an europäischen Forschungskonsortien im Bereich der künstlichen Intelligenz mit Beiträgen zu wissenschaftlichen Veröffentlichungen und kollaborativem Wissensaustausch.

MySQL

Apache Spark

Python

Azure

Data Science

Excellence en ingénierie

Alle Data Scientists, 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 Data Scientists in diesem Bereich verteilt sind, wo unsere Akzeptanzschwelle für diesen Parameter liegt und wo sich Miguel befindet.