Traian V.
Machine Learning Engineer
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
Python6 Jahre
Machine Learning5 JahreErfahrung4
Machine Learning Engineer/Researcher
- 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.
Python
Azure
PyTorch
SciPy
Scikit-learnMachine Learning Engineer/Researcher
- 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).
Python
C++
OpenCVPyTorch
Data Scientist
- 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.
AWS
FlaskPython
SQL
AWS Lambda
Data Scientist
- 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.
PythonAzure
NumPyOpenCVEignungstests
Excellence en ingénierie
Traian Gesamtleistung in einer 90-minütigen Live-Technikbewertung rangiert im top 15% der überprüften Machine Learning Engineer bei Proxify.
Ausbildung
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