Traian V.
Machine Learning Engineer
Hän kehitti älykkäitä reagointijärjestelmiä verkkoaluekohtaisten sulautusten avulla, LLM-validointia ja lisätyn sukupolven (RAG), sekä korkean tarkkuuden tietokoneen visiomalleja, mukaan lukien Mask R-CNN, YOLOv5 ja U-Net-sovellukset aloilla, kuten muoti, elintarviketekniikka, ja valmistus.
Hänen työssään on muun muassa rakennettu PySpark ML -putkistoja, jotka vähensivät pk-yritysten lainavakuuksia 11 prosentista 2 prosenttiin, ja otettu käyttöön reaaliaikaiset vikojen havaitsemisjärjestelmät valmistusta varten. Ammattitaitoinen PyTorch, TensorFlow, Hugging Face, ja pilvialustat, Traian jatkuvasti toimitti skaalautuvia, tuotantovalmiita tekoälyjärjestelmiä.
Tärkein asiantuntemus
Python6 vuotta
Machine Learning5 vuottaKokemus4
Machine Learning Engineer/Researcher
- Kehitetty ja toteutettu älykäs reagointijärjestelmä, joka yhdisti semanttinen malli matching verkkoaluekohtaisten lause muuntajat, LLM-pohjainen mallin validointi, ja RAG tiedon hakeminen.
- Hienosäädetään Stella400M-mallia todellisista asiakasvuorovaikutuksista, jotta voidaan parantaa semanttista samankaltaisuutta ja kontekstuaalista ymmärrystä verkkokohtaisille vastauksille.
- Integroitu hybridivasteen valinta logiikka varmistaa korkean tarkkuuden säilyttäen tiukat liiketoiminnan viestintästandardit.
- Parannetaan asiakastuen johdonmukaisuutta automatisoimalla tietämyksen hakuja ja kontekstien hakua sisäisistä asiakirjoista.
Python
Azure
PyTorch
SciPy
Scikit-learnMachine Learning Engineer/Researcher
- Kehitetyt ja käyttöön otetut objektin tunnistusmallit (Mask R-CNN, YOLOv5) suositeltava muoti sovellus ja elintarvikkeiden tunnistus putkisto, saavuttaa yli 90% mAP.
- Luotu luokitus (ResNet) ja segmentointi (U-Net) automatisoituja tuotetunnisteita ja elintarvikkeiden tuotetunnisteita.
- Käyttöönotettu optimoitu inference malleja Vadelma Pi 4 laitteet käyttäen NCNN C++ puitteet, mukaan lukien mallin kvantifiointi.
- Kehitetty kolmiulotteinen huoneisto jälleenrakennus putki monokulaarinen video hyödyntäen Droid-SLAM, Polygon-muuntaja, ja Cube R-CNN.
- Rakenna ostosassistentti, jossa on domain BERT luokittelija (F1 pisteet 0. 3) ja hienosäätänyt Octopus 2B malli Q-LoRA kyselyn reititys (tarkkuus 0.85).
- Toteutettu RAG pohjainen resepti suositus järjestelmä päivittäistavarakauppias käyttäen Llama Index.
- Kehitetty anomalia havaitseminen putki tunnistaa vieraita esineitä uunissa hybridi-VLM perustelu lähestymistapa (Qwen2-VL + Llama3-8B).
Python
C++
OpenCVPyTorch
Data Scientist
- Suunnitellut PySpark-pohjaisen ominaisuuden suunnittelu- ja mallikoulutusputken liiketoimitiedostoista.
- Rakennettu ja otettu käyttöön LGBM-luottoriskimalli, joka alensi pk-yritysten lainojen maksukyvyttömyysastetta ~11%:sta ~2%:iin.
- Kehitti OCR-pohjainen työkalu, joka käsitteli tilinpäätöksen skannattu PDF-tiedostoja käyttäen OpenCV, AWS Textract, ja Lambda toimintoja.
- Toimitetut API:t reaaliaikaiseen riskipisteytykseen ja integroitu ne sisäiseen luottoluokituksen työnkulkuun.
AWS
FlaskPython
SQL
AWS Lambda
Data Scientist
- Kehitetty koneesta loppuun ulottuva oppimisputki kuvapohjaista vikojen havaitsemista varten kartonkipakkauksissa.
- Sovellettava kuvan segmentointi ja luokitusmallit (Mask R-CNN, EfficientNet) tunnistaa mikroviat ja misprintit korkean resoluution skannauksessa.
- Luotu automatisoitu merkintäputki käyttäen heikkoja valvontatekniikoita nopeuttaakseen tietokokonaisuuden luomista.
- Integroitu ratkaisu tuotantolinjan laadunvalvonnan työnkulkuun, mikä vähentää manuaalista tarkastusaikaa 60 %.
PythonAzure
NumPyOpenCVArviointi
Tekniikan huippuosaaminen
Traian yleinen suorituskyky 90 minuutin suorassa teknisessä arvioinnissa on top 15 % Proxifyn tarkastetuista Machine Learning Engineer.
Koulutus
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