Entwarf, entwickelte und implementierte End-to-End-ML-Pipelines für Mobile und Web von der Prototypenerstellung bis zur Produktion, inklusive Echtzeit-Inferenz und Modellüberwachung, und sicherte CI/CD und Observability.
Entwickelte und skalierte einen Chatbot mit persistentem Kurz- und Langzeitgedächtnis, schnellem Kontextwechsel und personalisierten Interventionen, die mittels RAG-Techniken aus einer Wissensdatenbank abgerufen wurden; versorgte über 10.000 Nutzer mit einer p95-Latenz von <500ms.
Automatisierte Arbeitsabläufe für Therapiesitzungen, indem SOAP-Notizen, Behandlungspläne und Sitzungszusammenfassungen aus Live-Therapiesitzungen generiert wurden; nutzte das Feedback der Therapeuten zur Verbesserung der Modelle und des Kontexts und erstellte ein Analyse-Dashboard zur Verfolgung des Nutzerfortschritts und der Leistung der Behandler.
Entwickelte eine sprach- und videoaktivierte simulierte Lernplattform, die Patienten- sowie Vertriebs-/Investitionsszenarien nachstellt und Echtzeit-Feedback, Szenarienbewertung und coachgeführte Verbesserungstipps bietet; feinabgestimmtes LLama3-70B mit LoRA, rund 1.000 Studenten nutzen die Plattform, p95-Latenz von <100ms im Text und <500ms für Video/Audio.
Ermöglichte chatbotgesteuertes Zieltracking, automatisch generierte tägliche Aufgabenpläne, SAM-Bewertungen und Tagebucheinträge, die auf das Nutzerverhalten zugeschnitten sind.
Mitarbeit an der MHRA-PVAI-Lösung zur Überwachung von COVID-Impfstoffen, die zur Verfolgung von Impfnebenwirkungen eingesetzt wurde.
Entwickelte Vorhersagemodule für Pharma-Kunden mithilfe von Klassifikation und Named Entity Recognition (NER), wodurch der F1-Score und die Genauigkeit über alle Quelltypen um 75 % gesteigert wurden.
Entwickelte einen Encoder für verschiedene Quelltypen mit AWS Textract, was zu umfangreichen Verbesserungen der Scores für alle Vorhersagefelder führte.
Entwickelte ein Multi-Entity-NER-Modell zur Extraktion von drei Hauptfeldern mit SpanBERT von Hugging Face und erreichte dabei einen F1-Score von 0,82 und eine Genauigkeit von 0,95.
Erstellte und analysierte Ländermodelle zur Optimierung diagnostischer Netzwerke, einschließlich Szenariomodellierung und Kosten-Nutzen-Analysen mit der Supply-Chain-Software LlamaSoft.
Bewertete Daten, identifizierte Lücken und bereinigte sowie integrierte Daten mit R, Python und SQL.
Identifizierte, analysierte und interpretierte Trends in den Daten und teilte Berichte mit Tableau.
Erhielt ein Vorabangebot für eine Festanstellung von der Organisation.
Technologien: LlamaSoft Supply-Chain-Software, MS Excel, SQL, R, Python, Tableau
Sprachen
Englisch
Verhandlungssicher
Ausbildung
Okt. 2017 - Juni 2021
Delhi Technological University
Bachelor of Technology · New Delhi, Indien · 8,2 CGPA
Delhi International Public School
Abschluss der Sekundarstufe II (Klasse XII) · New Delhi, Indien · 94,25%
Delhi International Public School
Abschluss der Sekundarstufe I (Klasse X) · New Delhi, Indien · 10 CGPA
Zertifikate & Bescheinigungen
Deep-Learning-Spezialisierung
Maschinelles Lernen
Python-Datenstrukturen
Sie suchen Freelancer?Passende Kandidaten in Sekunden!