NYHET
Proxify ger dig full insyn i utvecklarnas prestationer – ett branschunikt erbjudande som är varje CTO:s dröm.
Läs mer
Traian V.
Machine Learning Engineer
Traian är en Senior Machine Learning Engineer med över sju års kommersiell erfarenhet av att leverera AI-lösningar inom automatisering av kundsupport, datorseende, behandling av naturligt språk och generativ AI.
Han utvecklade intelligenta svarssystem med hjälp av domänspecifika inbäddningar, validering av LLM och utökad generering (RAG), samt högprecisionsmodeller för datorseende – inklusive Mask R-CNN, YOLOv5 och U-Network – tillämpas inom branscher som mode, livsmedelsteknik och tillverkning.
Hans arbete omfattar att bygga PySpark ML rörledningar som minskade SMF-lånens standard från 11% till 2%, och att implementera realtidssystem för feldetektering för tillverkning. Kompetent i PyTorch, TensorFlow, Hugging Face, och molnplattformar, Traian levererade konsekvent skalbara, produktionsredo AI-system.
Huvudsaklig expertis
- Python 6 år

- Machine Learning 5 år

- Data Science 5 år
Andra kompetenser
- SQL 5 år
- Docker 4 år
- FastAPI 4 år
Utvald erfarenhet
Anställningar
Machine Learning Engineer/Researcher
Bluetweak - 1 år 2 månader
- Utvecklade och implementerade ett intelligent svarssystem som kombinerade semantisk mall som matchar med domänspecifika Meningstransformatorer, LLM-baserad mallvalidering och RAG kunskapshämtning.
- Finjusterade Stella400M-modellen på verkliga kundinteraktioner för att förbättra semantisk likhetsmatchning och kontextuell förståelse för domänspecifika svar.
- Integrerad logik för val av hybridrespons för att säkerställa hög noggrannhet och samtidigt upprätthålla strikta standarder för affärskommunikation.
- Förbättrad kundsupport konsekvens genom att automatisera kunskapsuppslag och sammanhangshämtning från intern dokumentation.
Teknologier:
- Teknologier:
Python
Azure
PyTorch
SciPy
Scikit-learn
- NLP
Machine Learning
OpenAI API
LangChain
Ollama
Large Language Models (LLM)
LlamaIndex
Machine Learning Engineer/Researcher
Apsisware (Arnia Software) - 3 år 1 månad
- Utvecklade och distribuerade modeller för objektdetektering (Mask R-CNN, YOLOv5) för en modemend-app och en pipeline för matigenkänning som uppnår över 90% mAP.
- Skapad klassificering (ResNet) och segmentering (U-Net) modeller för automatiserad produktmärkning och identifiering av livsmedel.
- Distribueras optimerad inferens modeller på Raspberry Pi 4 enheter med NCNN C++ ram, inklusive modell kvantisering.
- Bidraget till en 3D lägenhet rekonstruktion pipeline från monokulära video som använder Droid-SLAM, Polygon-Transformer, och Cube R-CNN.
- Byggd en shoppingassistent med en in-domain BERT klassificerare (F1 poäng 0. 3) och finjusterad en Octopus 2B-modell med Q-LoRA för frågerutläggning (noggrannhet 0,85).
- Implementerade ett RAG-baserat receptrekommendationssystem för en dagligvaruhandlare med hjälp av Lama Index.
- Utvecklade en anomali detektionsrörledning för att identifiera främmande föremål i ugnar genom en hybrid VLM-resonemang (Qwen2-VL + Llama3-8B).
Teknologier:
- Teknologier:
Python
C++
OpenCV
PyTorch
- NLP
Machine Learning
Raspberry Pi
- Computer Vision
LangChain
Large Language Models (LLM)
Hugging Face Transformers
LlamaIndex
Hugging Face
Data Scientist
October - 11 månader
- Designade en PySpark-baserad funktionsteknik och modellutbildning pipeline från transaktionsdata.
- Byggd och distribuerade en hbtq-kredit riskmodell som minskade SMF-lån standard skattesatser från ~11% till ~2%.
- Utvecklade ett OCR-baserat verktyg som bearbetade bokslut från skannade PDF-filer med OpenCV, AWS Textract, och Lambda funktioner.
- Levererade API:er för riskbedömning i realtid och integrerade dem med interna arbetsflöden för kreditgodkännande.
Teknologier:
- Teknologier:
AWS
Flask
Python
SQL
AWS Lambda
NumPy
OpenCV
XGBoost
Scikit-learn
Machine Learning
FastAPI
PySpark
Data Scientist
SIG - 7 månader
- Utvecklade en end-to-end maskininlärningspipeline för bildbaserad feldetektering på kartongförpackningar.
- Tillämpade bildsegmenterings- och klassificeringsmodeller (Mask R-CNN, EfficientNet) för att identifiera mikrodefekter och felavtryck i högupplösta skanningar.
- Skapade en automatiserad märkning pipeline med hjälp av svaga övervakningstekniker för att påskynda skapandet av dataset.
- Integrerade lösningen i produktionslinjens arbetsflöde för kvalitetskontroll, vilket minskar manuella inspektionstider med 60%.
Teknologier:
- Teknologier:
Python
Azure
- Data Science
NumPy
OpenCV
PyTorch
SciPy
Scikit-learn
Machine Learning
Pydantic
Large Language Models (LLM)
PyTorch Lightning
PySpark
Jupyter
Utbildning
MSc.Artificial Intelligence
University of Amsterdam · 2018 - 2020
BSc.Computer Science
Babes-Bolyai Faculty of Mathematics and Informatics · 2015 - 2018
Hitta din nästa utvecklare inom ett par dagar
Ge oss 25 minuter av din tid, så kommer vi att:
- Sätta oss in i dina utmaningar och behov
- Berätta om våra seniora och beprövade utvecklare
- Förklara hur vi kan matcha dig med precis rätt utvecklare
