Traian V.
Machine Learning Engineer
Han utviklet smarte responssystemer ved hjelp av domenespesifikke inndelinger, LLM-validering og generering ved heving (RAG), I tillegg til de presisjonsdatamodellene — herunder Mask R-CNN, YOLOv5 og U-Net—anvendt i næringer som mohion, food tech, og tilvirking.
Hans arbeid omfatter bygging av PySpark ML-rørledninger som reduserte SME-lån, mislighold fra 11 % til 2 %, og implementering av sanntids defekt deteksjonssystemer for produksjon. Skiltet i PyTorch, TensorFlow, Hugging Face, og Sky-plattformer, Traian konsekvent leverte skalerbare produksjonsklare AI-systemer.
Hovedekspertise
Python6 år
Machine Learning5 årErfaring4
Machine Learning Engineer/Researcher
- Utvikle og implementert et intelligent responsystem som kombinerer semantisk mal som samsvarer med domenespesifikke Sentence Transformers, LLM-basert validering av LM-basert mal, og gjenfinning av RAG kunnskaper.
- Fungerer Stella400M-modellen om virkelige kundeinteraksjoner for å forbedre semantisk likhet og kontekstforståelse for domenespesifikke svar.
- Integrert hybridrespons utvelgelseslogikk for å sikre høy nøyaktighet og samtidig opprettholde strenge standarder for forretningskommunikasjon.
- Forbedret konsistens fra kundestøtte ved å automatisere kunnskapsoppslag og kontekst henting fra intern dokumentasjon.
Python
Azure
PyTorch
SciPy
Scikit-learnMachine Learning Engineer/Researcher
- Modeller for dimensjonerte og brukte objektdeteksjonsmodeller (Mask R-CNN, YOLOv5) for en mote som anbefaler at de gir en rørledning som kan godkjennes av mat, og har oppnådd over 90 % mAP.
- Laget klassifisering (ResNet) og segmenteringsmodeller (U-Net) for automatisert produkttagging og identifikasjon av matvaren
- Distribuerte optimaliserte preferansemodeller på Raspberry Pi 4-enheter med bruk av NCNN C++-rammeverket, inkludert modellkvantifisering.
- Bidratt til en restrukturrørledning fra monokulære video som bruker Droid-SLAM, Polygon-Transformer og Cube R-CNN.
- Bygget en shoppingassistent med en 'in-domain BER' klassifikator (F1 score 0. 3) og fininnstillte en oktopus 2B-modell med Q-LoRA for spørringsveiing (nøyaktighet 0,85).
- Implementert et RAG-basert oppskriftssystem for en dagligvarebutikk med Llama-indeks.
- Utviklet en anomaly-deteksjonsrørledning for å identifisere utenlandske objekter i stekeovner gjennom en hybrid VLM-resonnement (Qwen2-VL + Llama3-8B).
Python
C++
OpenCVPyTorch
Data Scientist
- Designet en PySpark-basert funksjonsteknikk og modell-treningsrørledning fra transaksjonelle datasett.
- Bygget og distribuert en LGBM kredittrisiko som reduserte SME standardsatser for utlån fra ~11 % til ~2 %.
- Utviklet et OCR-basert verktøy som behandlet regnskaper fra skannede PDFer ved hjelp av OpenCV, AWS Textract, og Lambda-funksjoner.
- Levert APIer for sanntids risikoskår og integrert dem med interne arbeidsprosesser for kredittgodkjenning.
AWS
FlaskPython
SQL
AWS Lambda
Data Scientist
- Utviklet en ferdig-til-ende maskinell læringsrørledning for bildebasert defekt deteksjon på kartongemballasje.
- Anvendt bildesegmentering og klassifiseringsmodeller (Møre R-CNN, EfficientNet) for å identifisere mikrofeil og feilavtrykk i høyoppløselige skanninger.
- Opprettet en automatisert merkingsrørledning ved hjelp av svake tilsynsteknikker for å akselerere datasettdannelsen.
- Integrert løsning i produksjonslinjens kvalitetsstyringsflyt og redusert manuell kontrolltid med 60 %.
PythonAzure
NumPyOpenCVVurdering
Ingenieurskunst der Spitzenklasse
Traian totale ytelse i en 90-minutters live teknisk vurdering rangerer i de top 15% av vurderte Machine Learning Engineer hos Proxify.
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