Traian V.

• 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.

• 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).

• 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.

• 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.

Shell is a global energy company operating in over 70 countries, focusing on oil, gas, and renewable energy.

• Developed a machine learning solution for predicting maintenance needs of refinery equipment using sensor time-series data.

• Implemented anomaly detection algorithms (Isolation Forest, LSTM Autoencoders) to identify early signs of equipment failure.

• Deployed models to AWS pipelines, enabling ongoing retraining and monitoring.

• Collaborated with mechanical engineers to integrate alerts into SCADA systems for real-time response.

MSG Systems offers consulting, software development, and system integration services for industries such as automotive, insurance, and public administration.

• Built NLP pipelines for automated document processing in the insurance sector, extracting entities and intent from unstructured text.

• Utilized spaCy and BERT-based models for policy classification and claim routing.

• Created a topic modeling tool (LDA, NMF) to group customer queries and identify trends to improve processes.

• Integrated models with internal CRM systems via REST APIs for real-time data processing.