Traian V.

• 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.

• 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).

• 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.

• 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%.

Shell is a global energy company operating in over 70 countries, focusing on oil, gas, and renewable energy.

• Developed a machine learning solution for predicting maintenance needs of refinery equipment using sensor time-series data.

• Implemented anomaly detection algorithms (Isolation Forest, LSTM Autoencoders) to identify early signs of equipment failure.

• Deployed models to AWS pipelines, enabling ongoing retraining and monitoring.

• Collaborated with mechanical engineers to integrate alerts into SCADA systems for real-time response.

MSG Systems offers consulting, software development, and system integration services for industries such as automotive, insurance, and public administration.

• Built NLP pipelines for automated document processing in the insurance sector, extracting entities and intent from unstructured text.

• Utilized spaCy and BERT-based models for policy classification and claim routing.

• Created a topic modeling tool (LDA, NMF) to group customer queries and identify trends to improve processes.

• Integrated models with internal CRM systems via REST APIs for real-time data processing.