Traian V.
Machine Learning Engineer
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
Python6 år
Machine Learning5 årErfarenhet4
Machine Learning Engineer/Researcher
- 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.
Python
Azure
PyTorch
SciPy
Scikit-learnMachine Learning Engineer/Researcher
- 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).
Python
C++
OpenCVPyTorch
Data Scientist
- 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.
AWS
FlaskPython
SQL
AWS Lambda
Data Scientist
- 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%.
PythonAzure
NumPyOpenCVGranskning
Ingenjörsexcellens
Traian totala prestation i en 90-minuters live-teknisk bedömning rankas inom top 15% av granskade Machine Learning Engineer på Proxify.
Utbildning
Sluta bläddra.
Få matchad snabbare.
Prata med en expert och få skräddarsydda matchningar från vårt nätverk på bara 2 dagar.
Tillgång till över 6 000+ experter
Hitta en utvecklare i genomsnitt 2 dagar
Anställ snabbt och enkelt med 94% matchningsframgång