Hedi E. - KI-Ingenieur

Ankara, Türkei

Erfahrungen

Dez. 2024 - Bis heute

1 Jahr 1 Monate

Ankara, Türkei

Bereitstellung einer Videoanalyseplattform mit hoher Durchsatzrate, die über 300 Überwachungsstreams verarbeitet und täglich über 2 TB mit 24/7-Verfügbarkeit aufnimmt.
Bereitstellung von TensorRT-optimierten Modellen über NVIDIA Triton mit dynamischem Batching; Latenz unter 100 ms über dockerisierte REST-Services.
Implementierung von Prometheus-/Grafana-Dashboards (GPU-Auslastung, Durchsatz, Spitzenlatenz), wodurch Ausfallzeiten um 40 % reduziert wurden.
Aufbau eines SAM2+-CVAT-Annotation-Workflows für schnelles Bootstrapping von Datensätzen aus Langform-Videos.
Leitung des Prototypings mit Clinician-in-the-Loop zur CTA-Aneurysma-Erkennung; Verwaltung von Experimenten auf einer selbst gehosteten MLflow-Instanz.

Juli 2022 - Sept. 2022

3 Monaten

Ankara, Türkei

Einführung einer DINO-basierten ViT-Matching-Loss für Pix2Pix, wodurch eine 20 % schnellere Konvergenz bei verbesserter Bildqualität erreicht wurde.

Apr. 2022 - Juni 2024

2 Jahren 3 Monaten

Ankara, Türkei

Anpassung von ResUNet++ für volumetrische Segmentierung bei 3D-TOF-MRA; Pipelines mit PyTorch, MONAI, TorchIO.
Standardisierung der MRT-Verarbeitung mit NiBabel, SimpleITK und MedPy (Normalisierung, Resampling, Schädelentfernung).
Training mit AMP und Cross-Validation; 85 % Sensitivität bei 0,4 Fehlpositiven pro Patient erreicht.
Experiment-Tracking und Hyperparameter-Tuning mit TensorBoard und Weights & Biases.

März 2022 - Juni 2024

2 Jahren 4 Monaten

Ankara, Türkei

ST360IQ: Sphärische, auf ViT basierende No-Reference-IQA für 360°; PLCC bis 0,98, SRCC bis 0,97; durch ATSAL-Integration Metriken um +2–3 % gesteigert, Laufzeit um 20 % reduziert.
LGT360IQ: lokal-globaler Transformer mit adaptiver Token-Auswahl; 17 Mio. Parameter weniger, +2 % PLCC/SRCC über mehrere Benchmarks.

Sept. 2021 - Dez. 2021

4 Monaten

San Francisco, Vereinigte Staaten

Entwicklung einer DETR-basierten Lokalisierungs- und CNN-Klassifizierungs-Pipeline in PyTorch zur Identifikation von Implantaten in Röntgenaufnahmen; manueller Aufwand um 43 % reduziert.
Robustes Preprocessing mit OpenCV/Albumentations; Berichte mit TensorBoard/Jupyter.