Felipe A.

– Arbeidet ved Rylee, en e-handelsplattform som ga kunder produktinnsikt og markedsanalyse for å forbedre strategier på Bol.com og Amazon. – Oppnådde Databricks-sertifisering innen generativ AI, og demonstrerte ekspertise med RAG- og agentmodeller. – Utviklet en storskala salgsprognosemodell ved hjelp av Rylees interne data og skrapede data fra Bol.com for å forutsi produktsalg og identifisere bestselgere. – Bygde et API med Flask og AWS Lambda for å håndtere produktforespørgsler, og gi innsikt og salgsprognoser. – Designet og implementerte ETL-pipelines ved hjelp av dbt, Airflow og Spark for å automatisere funksjonsutvikling, inkludert en asynkron løsning for effektiv datainnhenting fra Bol.com API-en mens man respekterte hastighetsbegrensninger og parallelt kjørte i stor skala; automatiserte også dataene for forsoning på tvers av flere selgere. – Anvendte PyTorch og Spark for å optimalisere høyytelses maskinlæringsmodeller.

– Arbeidet ved Homemove, en omfattende plattform som tilbyr flyttingstjenester, inkludert undersøkelser, utflyttinger og boliglån, integrert innenfor en enkelt app. – Utviklet et LLM-drevet forhandlingverktøy som gjorde det mulig for brukere å skaffe tilbud og forhandle priser via en AI-chatbot, automatisk la til kunder i CRM, og varslet salgsteamet ved vellykket forhandling, ved hjelp av OpenAI Assistant og GPT-modeller. – Ledet et skalerbart dataforvandlingsinitiativ, og utnyttet Snowflake for skydata lagring og Sigma for BI og visualisering. – Designet og implementerte ETL-pipelines fra bunnen av ved hjelp av Snowflake, Python, SQL, dbt og Airflow for å automatisere datainntak og transformasjon. – Bygde en prediktiv modelleringsløsning for å redusere markedsføringskostnader og forbedre målretting ved å identifisere høypotensielle husflyttinger. – Anvendte PyTorch og Snowpark for avansert maskinlæring for å optimalisere høyytelsesmodeller. – Leverte en prediktiv modell som var planlagt for bruk i å tiltrekke investering under Homemoves Series A-finansiering.

– Arbeidet som spesialist i dataforskning ved FourthRev, hvor han laget og underviste et avansert nettbasert kurs i dataforskning for studenter ved Universitetet i Cambridge. – Utviklet og leverte et omfattende læremateriell som dekker nevrale nettverk, NLP for AI, usupervisert læring og avanserte beslutningstre-algoritmer, inkludert XGBoost. – Anvendte praktisk maskinlæringsimplementering fra bunnen av, og benyttet innovative undervisningsmetoder for å øke studentengasjement og læringsresultater. – Demonstrerte dyp teknisk ekspertise innen dataforskning og maskinlæring, og oppnådde anerkjennelse fra akademiske kolleger for effektiv undervisning og læreplanutvikling.

– Arbeidet ved Outra, et datadrevet eiendomsinnsiktsfirma, spesialisert på å levere husholdningsdata for å optimalisere kundetjenester. – Migrerte plattformen fra Dataiku til en tilpasset intern Intelligence Fabric ved hjelp av MLflow, Airflow, Snowflake, GitHub Actions, AWS og DBT for dataengineering. – Utviklet to store prediktive modeller som forutsier husholdningsoppføringer og salg/leietid, noe som muliggjorde et flerårig samarbeid verdt millioner med Zoopla. – Anvendte LLM-er for kodedokumentasjon, koding assistanse og interaktive chatbots for dashbord og kundevendte data. – Bygde ETL/ELT-pipelines for å transformere rådata og forberede dem for modellering. – Laget visualiseringer og kart ved hjelp av KeplerGI, Seaborn og Dataiku for å hjelpe ikke-tekniske brukere med å tolke komplekse data.

– Arbeidet ved Belmont Green, et spesialisert boliglånsselskap som ble til en bank, og ga finansielle og boliglåns løsninger til økonomisk rammede kunder. – Laget en konverteringsmodell ved hjelp av overlevelsesanalysemetoder og administrerte prosjektet fra start til produksjon. – Bygde algoritmer for maskinlæring og statistiske modeller for tidsserie data, med fokus på retensjon, livstidsverdi og forventede tap modeller. – Eide prosjektene fra start til slutt, og sikret at bevis på konsept ble implementert og distribuert vellykket i produksjon. – Implementerte algoritmer for maskinlæring for kontantstrøm, tidlig innløsning, mislighold, forhåndsbetaling og konverteringsmodeller ved hjelp av Python og R. – Anvendte klynging og segmenteringsteknikker for å analysere produktbruk og kundeadferd for markedsførings- og strategiske formål.

• Boster.Ai is a company dedicated to create No-code bots for data retrieval, monitoring and automation. Originally, they started as an IT consultancy company, creating personalized solutions to small and mid-size companies to harvest the power of Machine Learning

• Felipe worked performing data exploration, analysis, and building Machine Learning algorithms and statistical models for several start-ups/mid-size companies in the UK and USA.

• He built and diagnostic Neural Networks models for forecasting key performance indicators using Python, TensorFlow, and Keras.

• Worked in e-commerce businesses solving customer behaviour problems such as lifetime value, clustering of customers, etc.

• Performed ethical web scraping using Python with scraPy, RoboBrowser, and BeautifulSoup to obtain data for various analyses.