Traian V.
Ingénieur Machine Learning
Il a développé des systèmes de réponse intelligents à l'aide d'intégrations spécifiques au domaine, de validation LLM et de génération augmentée de récupération (RAG), ainsi que des modèles de vision informatique de haute précision – dont le Mask R-CNN, YOLOv5 et U-Net – appliqués dans des industries telles que la mode, la technologie alimentaire et la fabrication.
Ses travaux comprennent la construction de pipelines PySpark ML qui ont réduit les défauts de crédit des PME de 11% à 2%, et l'implémentation de systèmes de détection de défauts en temps réel pour la fabrication. Compétents dans PyTorch, TensorFlow, Hugging Face et les plateformes nuageuses, Traian a toujours livré des systèmes IA évolutifs et prêts à la production.
Expertise principale
Python6 ans
Machine Learning5 ansExpérience4
Machine Learning Engineer/Researcher
- Développé et implémenté un système de réponse intelligent qui combinait le modèle sémantique avec les transformateurs de phrase spécifiques au domaine, la validation du modèle basé sur LLM et la récupération des connaissances RAG.
- Ajuster le modèle Stella400M sur les interactions clients réelles pour améliorer la similitude sémantique et la compréhension contextuelle des réponses spécifiques au domaine.
- La logique de sélection de réponse hybride intégrée pour assurer une haute précision tout en maintenant des normes de communication professionnelles strictes.
- Amélioration de la cohérence du support client en automatisant les recherches de connaissances et la récupération de contexte à partir de la documentation interne.
Python
Azure
PyTorch
SciPy
Scikit-learnMachine Learning Engineer/Researcher
- Développé et déployé des modèles de détection d'objets (Mask R-CNN, YOLOv5) pour une application de mode recommandeur et un pipeline de reconnaissance des aliments, atteignant plus de 90% mAP.
- Modèles de classification (ResNet) et de segmentation (U-Net) pour l'étiquetage automatique des produits et l'identification des produits alimentaires.
- Modèles d'inférence optimisés déployés sur les appareils Raspberry Pi 4 en utilisant le framework NCNN C++, y compris la quantification du modèle.
- Contribution à un pipeline 3D de reconstruction d’appartements à partir de vidéos monoculaires utilisant Droid-SLAM, Polygon-Transformer, et Cube R-CNN.
- Construit un assistant commercial avec un classeur BERT dans le domaine (F1 score 0. 3) et a affiné un modèle Octopus 2B avec Q-LoRA pour le routage des requêtes (précision 0.85).
- Mise en place d'un système de recommandation de recettes basé sur RAG pour un détaillant d'épicerie utilisant Llama Index.
- Développer un pipeline de détection d'anomalies pour identifier les objets étrangers dans les fours par une approche de raisonnement hybride VLM (Qwen2-VL + Llama3-8B).
Python
C++
OpenCVPyTorch
Data Scientist
- Conception d'un pipeline d'ingénierie et de formation de modèles PySpark à partir d'ensembles de données transactionnels.
- Construire et déployer un modèle de risque de crédit LGBM qui a réduit les taux de défaut des prêts aux PME de ~11% à ~2%.
- Développer un outil basé sur OCR, qui a traité les états financiers à partir de PDF numérisés en utilisant les fonctions OpenCV, AWS Textract et Lambda.
- Des API fournies pour le pointage en temps réel des risques et les intégrer aux flux de travail internes d'approbation de crédit.
AWS
FlaskPython
SQL
AWS Lambda
Data Scientist
- Développé une machine d'apprentissage de bout en bout pour la détection de défauts basés sur l'image sur l'emballage en carton.
- Modèles de segmentation d'images et de classification appliqués (Mask R-CNN, EfficientNet) pour identifier les microdéfauts et les erreurs dans les balayages à haute résolution.
- Création d'un pipeline d'étiquetage automatisé utilisant des techniques de surveillance insuffisantes pour accélérer la création de dataset.
- Intégration de la solution dans le processus de contrôle de qualité de la ligne de production, réduisant les temps d’inspection manuels de 60%.
PythonAzure
NumPyOpenCVÉvaluations
Excellence en ingénierie
Les performances globales de Traian lors d'une évaluation technique en direct de 90 minutes se classent dans le top 15% des Ingénieur Machine Learning évalués chez Proxify.
Éducation
Arrêtez de naviguer.
Soyez jumelé plus rapidement.
Parlez à un expert et obtenez des correspondances personnalisées de notre réseau en seulement 2 jours.
Accédez à plus de 6 000+ experts
Soyez jumelé avec un développeur en 2 jours en moyenne
Embauchez rapidement et facilement avec un taux de réussite de 94%