Mohsin A. - Datenwissenschaftler / Datenanalyst

Rawalpindi, Pakistan

Erfahrungen

Apr. 2024 - Bis heute

1 Jahr 9 Monaten

Trainierte Googles Gemini-Modell für Data-Science- und Datenanalyseaufgaben mit eigenen SFT- und RLHF-Techniken und verbesserte die Modellantworten um 60 %
Unterstützte bei der Definition und Lösung von Geschäftsproblemen; eines davon sparte durch gründliche datenbasierte Erkenntnisse bis zu 100.000 USD pro Monat ein, indem eine menschliche Ebene eingespart wurde
Erstellte hochwertige Notebooks mit BigQuery und Python, die direkt zum Training von Google Colabs KI-Coding-Assistenten beitrugen und die Effizienz der Data Scientists um 50 % erhöhten
Erstellte robuste Datenpipelines in Hex, beseitigte Inkonsistenzen und verbesserte so die Datengenauigkeit um 7–8 %
Automatisierte die Berichterstellung und den Versand per E-Mail und sparte so durchschnittlich 2,5 Stunden Arbeit pro Bericht
Erstellte, pflegte und optimierte Datenpipelines und SQL-Abfragen, wodurch die Gesamtausführungszeit von 2 Stunden auf 3 Minuten sank.

März 2023 - Apr. 2024

1 Jahr 2 Monaten

Islamabad, Pakistan

Führte Datenmanipulation und Automatisierung mit Python durch und sparte so durchschnittlich 5–6 Stunden pro Tag
Verwendete Python und SQL zur Analyse von Reisedaten, fand Muster, die dem Unternehmen halfen, in der Hauptsaison etwa 15 % mehr Abonnements zu verkaufen
Entwickelte ein Streamlit-Dashboard, das bei der Erfassung und Behebung von Datenproblemen half und innerhalb von Sekunden Berichte erstellte, wodurch die manuelle Arbeit entfiel und die Gesamteffizienz um 90 % stieg
Arbeitete im Data- und BizOps-Team, um Kosten zu senken; eine Maßnahme sparte dem Unternehmen 12.000 USD pro Monat
Fand und behob einen Datenparser, der seit 2 Monaten ausgefallen war und über 1000 Reisende betraf, weil ein Feld in den Daten fehlerhaft war.

Juli 2021 - Apr. 2024

2 Jahren 10 Monaten

Entwickelte einen XGBoost-Klassifikator, der 98 % der betrügerischen Transaktionen erkannte und damit die bisherige Genauigkeit von 90 % übertraf. Dies half der Bank, jährlich 500.000 USD an Verlusten zu sparen. Integrierte ein komplettes System mit einer zweistufigen Verifizierung
Führte Hypothesentests an Online-Taxidaten durch und zeigte, dass Kartenzahlung von den Kunden bevorzugt wird. Durch den Wechsel von Bargeld zu Karten stiegen die Einnahmen der Fahrer um 30 %
Entwickelte einen Random-Forest-Klassifikator mit 88 % Genauigkeit, trainiert und evaluiert auf einem großen Datensatz mit Tweets, um Hass- oder beleidigende Tweets mit verschiedenen NLP-Techniken zu erkennen, und baute eine Streamlit-Web-App, um das Melden markierter Tweets zu erleichtern
Entwickelte einen konversationellen PDF-Q&A-Chatbot mit LangChain und OpenAI, nutzte chromaDB als Vektorspeicher für Retrieval-Augmentation (RAG) und Streamlit für eine Benutzeroberfläche, die PDFs als Eingabe benötigt, und setzte Prompt-Engineering ein, das auf Basis des jeweiligen PDFs 100 % genaue Antworten lieferte.