Tevos M.
Machine Learning Engineer
En av hans mest bemerkelsesverdige prestasjoner er arkitekturen og produksjonsutplasseringen av en forbrukerrettet sanntids ML-pipeline hos Philip Morris International (PMI). Dette prosjektet demonstrerte ikke bare hans dype tekniske ekspertise, men også hans lederskap i å drive innovasjon, sikre forretningsmessig innvirkning, og effektivt operasjonalisere maskinlæring i et høypresset miljø.
Tevos er svært dyktig til å oversette komplekse forretnings- og tekniske utfordringer til skalerbare, produksjonsklare ML-systemer. Han spiller også en nøkkelrolle i å veilede ingeniørteam og forme teknisk strategi, noe som gjør ham til en sterk leder innen maskinlæring.
Hovedekspertise
Python6 år
FastAPI3 år
Apache Spark3 år
Docker5 årErfaring7
Machine Learning Engineer
- Blev med som Maskinlæringsingeniør og ble senere forfremmet til Teknisk Leder for å veilede teamet gjennom viktige overganger.
- Ledet flere ML-prosjekter fra proof-of-concept (POC) til minimum levedyktig produkt (MVP), og sikret skalerbarhet og produksjonsklarhet.
- Transformerte ML-infrastrukturen til en sky-uavhengig stakk, optimaliserte fleksibilitet og kostnadseffektivitet.
- Arkitekterte og administrerte utviklingen av to Agentic-boter, inkludert Retrieval-Augmented Generation (RAG)-komponenter.
- Overvåket implementeringen av et anbefalingssystem og en taleklassifiseringsmodell, og sikret robust ytelse og samsvar med forretningsmålene.
- Etablerte MLOps-praksiser, inkludert CI/CD-pipelines, overvåking og varslingssystemer for å støtte vedlikeholdbarhet og automatisering.
- Tilrettela tverrfaglig samarbeid, og tilpasset datavitenskap, ingeniørfag og produkteam.
Machine Learning Technical Lead
-
Initially joined as a Machine Learning Engineer, then elected as the Technical Lead to guide the team through key transitions;
-
Led the evolution of multiple ML projects from proof-of-concept (POC) to minimum viable product (MVP), ensuring scalability and production-readiness;
-
Spearheaded the transformation of the ML infrastructure into a cloud-agnostic stack, optimizing for flexibility and cost-efficiency;
-
Architected and managed the development of two Agentic bots, including Retrieval-Augmented Generation (RAG) components;
-
Oversaw the implementation of a recommendation system and a voice classification model, ensuring robust performance and alignment with business goals;
-
Established MLOps practices, including CI/CD pipelines, monitoring, and alerting systems to support long-term maintainability and automation;
-
Facilitated cross-functional collaboration, driving alignment between data science, engineering, and product teams;
-
Mentored junior engineers and fostered a culture of technical excellence and knowledge sharing within the team.
MongoDBDocker
AWS
RedisPython
Machine Learning Engineer
- Satt opp backend CI/CD-prosesser for eksisterende datamaskinsyns automatisk skalerte dype læringsmodellpipelines.
- Utviklet en ny dyp læringsmodell for å forbedre operasjonell funksjonalitet innen analytikk-stakken.
- Implementerte en CI/CD arbeidsflyt som muliggjorde raske og sikre oppdateringer på tvers av hele ML-livssyklusen, kritisk under landbrukssesongen.
- Optimaliserte prosesser for å redusere kostnader og latens, samtidig som nøyaktighetsmetrikker opprettholdes.
Machine Learning Operations Engineer
-
Set up the backend CI/CD processes for existing computer vision auto-scaled DL model pipelines;
-
Developed a new DL model to enhance operational functionality within the analytics stack;
-
Implemented a CI/CD process enabling fast and safe introduction of changes in the full ML lifecycle, critical during the agricultural season;
-
Optimized processes to achieve cost and latency reduction while maintaining accuracy metrics.
Docker
Jenkins
Data Science
OpenCV
PyTorch
Senior Data Scientist / MLOps
- Vedlikeholdt og utvidet en end-to-end forbrukerrettet sanntids ML-pipeline i produksjon.
- Arkitekt og utviklet den initiale pipelinen, og sikret robust og skalerbar infrastruktur.
- Gjennomført ad-hoc prosjekter fokusert på datamining og matematisk modellering.
- Klassifiserte elementer tidlig i produktets livssyklus, betydelig reduserte service- og logistikostnader.
- La grunnlaget for en andre versjon av pipelinen for å muliggjøre prediktivt vedlikehold.
DockerApache Spark
FlaskJenkins
Kubernetes
Machine Learning Engineer
- Utviklet og anvendt nøkkelfinansielle forholdstall og kvantitative modeller for å evaluere markedsrelaterte parametere, inkludert Value at Risk (VaR), og sikret nøyaktig risikoforutsigelse og eksponeringsanalyse.
- Gjennomført grundig teknisk analyse av strukturerte finansinstrumenter, som boliglånsobligasjoner (MBS) og sikkerhetsbelånte gjeldsforpliktelser (CDOs), ved bruk av stresstesting, scenariomodellering og følsomhetsanalyse for å vurdere ytelse under varierende markedsforhold.
- Designet og forbedret risikovurderingsmetodikker, og kombinerte tradisjonell finans teori med datadrevne teknikker for å forbedre beslutningstaking og porteføljes bærekraft.
- Samarbeidet med risikostyrings- og investeringsteam for å oversette komplekse analytiske innsikter til handlingsrettede anbefalinger.
- Automatiserte risikorapporteringspipelines og dashbord, og forbedret transparens og akselerert respons på markedsfluktuasjoner.
- Evaluert samsvar med risikomodeller, og sikret overholdelse av interne ris rammeverk og eksterne standarder som Basel III og IFRS.
- Bidro til modellvalidering ved å backteste ytelsesmetrikker og kalibrere modeller for forbedret nøyaktighet og robusthet.
SQL
Scikit-learn
Machine LearningFinancial Analyst / Data Analyst
-
Developed and contributed to packages dedicated to data ETL, ML, and statistical analysis;
-
Enhanced general operation components of the stack, including GUI-related elements, for team projects;
-
Worked on structured and unstructured knowledge extraction and NLP tools.
Data AnalyticsMachine LearningIngenieurskunst der Spitzenklasse
Alle Machine Learning Engineerene som har søkt på Proxify vurderes fra 0 til 300 på teknisk dyktighet, en av de fem parameterne vi evaluerer. Denne poengsummen reflekterer kun teknisk dyktighet, basert på intervjuer, hjemmeoppgaver, live kodingsøkter og/eller arbeidsytelsesvurderinger. Kurven viser hvordan alle vurderte Machine Learning Engineerene er fordelt i dette området, hvor vår akseptgrense for denne parameteren er, og hvor Tevos står.
Score 193 · Top 9% of engineers
Utdannelse
Slutt å bla.
Bli matchet raskere.
Snakk med en ekspert og få skreddersydde matcher fra vårt nettverk på bare 2 dager.
Få tilgang til over 6 000+ eksperter
Få en utvikler tilpasset dine behov i løpet av gjennomsnittlig 2 dager
Ansett raskt og enkelt med 94% match suksess