Levon Y.
Senior ML Engineer
AWS Certified Machine Learning – Specialty, ja hänellä on laaja asiantuntemus skaalautuvien ML-järjestelmien rakentamisesta kokeiluvaiheesta tuotantoon.
Uransa aikana hän on toimittanut vaikuttavia koneoppimisratkaisuja, jotka paransivat liiketoiminnan tuloksia, mukaan lukien 10 %:n palautus aiemmin ratkaisemattomista petostapauksista uplift-luokittelun avulla, 90 %:n automatisoidun asiakirjaluokittelun tarkkuuden saavuttaminen BERT- ja FastText-malleilla, sekä konenäkömallien kehittäminen, jotka saavuttivat 96 %:n merkkien tunnistustarkkuuden. Hänen kokemuksensa kattaa koko koneoppimisen elinkaaren, mukaan lukien datan valmistelun, ominaisuussuunnittelun, mallin kehityksen, arvioinnin, käyttöönoton, valvonnan ja jatkuvan optimoinnin.
Teknisen asiantuntemuksensa lisäksi hän on johtanut engineering-hankkeita ja tehnyt tiivistä yhteistyötä monialaisten tiimien kanssa muuntaakseen liiketoimintavaatimukset tuotantovalmiiksi tekoälyratkaisuiksi. Käytännön kokemuksellaan datapiput-suunnittelusta, MLOpsista, pilvi-infrastruktuurista ja mallien käyttöönotosta hän on hyvin varustautunut toimittamaan luotettavia, skaalautuvia koneoppimisjärjestelmiä, jotka luovat mitattavaa liiketoiminta-arvoa.
Tärkein asiantuntemus
Machine Learning8 vuotta
Python7 vuotta
AWS1 vuosi
Amazon SageMaker1 vuosiKokemus4
Senior Machine Learning Engineer
- Suoritin turvallisuusarviointeja yhteenvetojärjestelmille sovelluskaupan arvosteluja ja musiikkihakukyselyitä varten
- Loin synteettisiä aineistoja ja suunnittelin prompt-pohjaisia luokitteluputkia käyttäen useita suuria kielimalleja (LLM)
- Tunnistin turvattomia mallin tuotoksia ja edistin mallin yhdenmukaistamista vakiintuneiden turvallisuusstandardien kanssa
- Optimoin prompt engineering -strategioita parantaakseni luokittelutarkkuutta useissa sisältöluokissa
PythonMachine Learning
OpenAI API
Prompt Engineering
Large Language Models (LLM)
Senior Data Scientist
- Kehitin henkilökohtaisen tehtävänantojärjestelmän parantaakseni käyttäjien painonpudotustuloksia ja lisätäkseni pysyvyysastetta
- Johdin suositusmoduulien päästä päähän -julkaisua kaikille tuotantokäyttäjille
- Rakensin datapiput ja analyyttisiä malleja käyttäen Pythonia, SQL:ää, Amazon SageMakeria ja Snowflakea
- Sovelsin pysyvyysanalyysia Retentioneeringin avulla tunnistaakseni poistumamalleja ja optimoidakseni käyttäjien sitoutumispolkuja
AWSPython
SQL
Data Science
Pandas
Machine Learning Specialist
- Johdin tiimiä parantamaan todisteiden ennustamista samankaltaisten kuvausten tunnistamisen ja uplift-luokittelun avulla, palauttaen 10 % aiemmin ratkaisemattomista tapauksista
- Hyödynsin suuria kielimalleja (LLM), mukaan lukien OpenAI-malleja ja Zephyr 7B:tä, ominaisuussuunnittelussa, automatisoiden 80 % rahoituspetosten tunnistuksen työnkuluista
- Hallinnoin kuorma-auto- ja konttinumeroiden tunnistusprojektia, kasvattaen toimialakohtaisen datasetin kokoa 75 % web-scrapingin ja synteettisen datan generoinnin avulla
- Rakensin objektien tunnistus- ja merkkien tunnistusmalleja käyttäen PyTorchia ja YOLOa, saavuttaen 96 %:n objektintunnistustarkkuuden ja 80 %:n merkkientunnistustarkkuuden
- Osallistuin patenttiluokitteluratkaisuun Philip Morris Internationalille, suunnitellen monimerkkisen luokittelun putken käyttäen Scikit-learnia ja LightGBM:ää
- Arvioin merkintöjen laatua syväluotaavan annotaatioanalyysin avulla, tunnistaen arvioidun 15 %:n virhemerkintäasteen
- Loin interaktiivisia datavisualisointeja Streamlitilla ja otin käyttöön koneoppimisratkaisuja Dockerin avulla
Docker
Project ManagementPython
PyTorch
Scikit-learn
Machine Learning Specialist
- Saavutin 90 %:n automatisoidun HS-koodiluokittelun asteen kouluttamalla ja optimoimalla FastText- ja BERT-malleja
- Koulutin transformer-pohjaisen oikeinkirjoituksen tarkistajan, joka paransi meluisien kuvausten tekstin esikäsittelyn laatua 20 %
- Osallistuin petostentunnistusmallien kehittämiseen laskuille ja lähetysmanifesteille, parantaen tulliprosesseja ja turvatoimia
- Suunnittelin ja toteutin tiedonkäsittely- ja koneoppimisen koulutusputkia käyttäen Scikit-learnia, CatBoostia ja LightGBM:ää
- Kehitin tullauksen läpimenoajan ennustemallin käyttäen Holt-Winters-ennustealgoritmia
- Rakensin väärennettyjen laskujen tunnistusjärjestelmän, joka perustui asiakirjojen ulkoasun analysointiin OpenCV:n avulla
Python
OpenCVPyTorchScikit-learnMachine LearningTekniikan huippuosaaminen
Kaikki Senior ML Engineert, jotka ovat hakeneet Proxifylle, pisteytetään välillä 0–300 insinööritaidon perusteella, joka on yksi viidestä arvioimastamme parametrista. Tämä pistemäärä heijastaa ainoastaan insinööritaitoa, perustuen haastatteluihin, kotitehtäviin, suorissa koodausistunnoissa sekä työn suorituskyvyn arvioinnissa annettuihin tuloksiin. Kaavio näyttää, miten kaikki arvioidut Senior ML Engineert jakautuvat tässä mittakaavassa, hyväksymisrajamme tälle parametrille sekä missä kohtaa Levon sijaitsee.
Score 178 · Top 15% of engineers
Sertifikaatit 1
Issued Feb 2026 - Expires Feb 2029
AWSMachine LearningAmazon SageMakerIssued Feb 2026 - Expires Feb 2029
AWSMachine LearningAmazon SageMakerKoulutus
Lopeta selaaminen.
Sovitetaan nopeammin.
Keskustele asiantuntijan kanssa ja saat räätälöityjä ehdotuksia verkostostamme vain 2 päivässä.
Pääsy yli 6 000+ asiantuntijaa
Löydä kehittäjä keskimäärin 2 päivässä
Palkkaa nopeasti ja helposti 94% onnistuneella osumalla