Firas Tlili - Feinabstimmung von Detection Transformers für benutzerdefinierte Objekterkennung

Q: Wo ist Firas ansässig?

Firas ist in Gafsa, Tunesien ansässig.

Q: Welche Sprachen spricht Firas?

Firas spricht folgende Sprachen: Arabisch (Muttersprache), Englisch (Verhandlungssicher) .

Q: Wie viele Jahre Erfahrung hat Firas?

Firas hat mindestens 4 Jahre Erfahrung. In dieser Zeit hat Firas in mindestens 6 verschiedenen Rollen und für 2 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 1 Jahr und 9 Monate . Beachten Sie, dass Firas möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.

Q: Für welche Rollen wäre Firas am besten geeignet?

Basierend auf der jüngsten Erfahrung wäre Firas gut geeignet für Rollen wie: Feinabstimmung von Detection Transformers für benutzerdefinierte Objekterkennung, Effiziente Feinabstimmung großer Sprachmodelle (LLMs) mit Unsloth + LoRA, Multimodaler KI-Agent für verbessertes Inhaltsverständnis mit LlamaIndex, NVIDIA NIM und Milvus .

Q: Was ist das neueste Projekt von Firas?

Die neueste Position von Firas ist Feinabstimmung von Detection Transformers für benutzerdefinierte Objekterkennung .

Q: Für welche Unternehmen hat Firas in den letzten Jahren gearbeitet?

In den letzten Jahren hat Firas für Omdena.com , Intelligent Machines Lab und Universität Gabes gearbeitet.

Q: In welchen Industrien hat Firas die meiste Erfahrung?

Firas hat die meiste Erfahrung in Industrien wie Gesundheitswesen , Landwirtschaft und Bildung . Firas hat auch etwas Erfahrung in Sport und Freizeit und Informationstechnologie (IT) .

Q: In welchen Bereichen hat Firas die meiste Erfahrung?

Firas hat die meiste Erfahrung in Bereichen wie Forschung und Entwicklung (F&E) , Produktentwicklung und Projektmanagement . Firas hat auch etwas Erfahrung in Informationstechnologie (IT) .

Q: Was ist die Ausbildung von Firas?

Firas hat einen Master in Automatische Elektrotechnik von Universität Gabès .

Q: Ist Firas zertifiziert?

Firas hat 8 Zertifikate . Darunter sind: Spezialisierung Generative Adversarial Networks (GANs) , Google Cloud Associate Cloud Engineer und Google Cloud Professional Cloud Architect .

Empfohlener Experte

Gafsa, Tunesien

Tagessatz prüfen

Erfahrungen

Sept. 2025 - Sept. 2025

1 Monat

Feinabstimmung von Detection Transformers für benutzerdefinierte Objekterkennung

Entwickelte ein End-to-End DETR-basiertes System zur Erkennung von Knochenbrüchen mit PyTorch Lightning, Hugging Face Transformers, Supervision und OpenCV, feinabgestimmt auf ~1.200 COCO-formatierte Röntgenbilder zur Erkennung von fünf Bruchklassen, erzielte über 90 % Präzision, schnelle Inferenz (<50 ms/Bild) und visuelle Gegenüberstellung für klinische Nachvollziehbarkeit.
Tools: Python, PyTorch, PyTorch Lightning, Hugging Face Transformers, Supervision, OpenCV, Roboflow, COCO-Datensatz, Matplotlib, Git, Google Colab, Jupyter Notebook.

Sept. 2025 - Sept. 2025

1 Monat

Effiziente Feinabstimmung großer Sprachmodelle (LLMs) mit Unsloth + LoRA

Entwickelte eine effiziente Pipeline zur Feinabstimmung großer Sprachmodelle mit Unsloth und LoRA, integrierte 4-Bit-Quantisierung, parameter-effizientes Training und End-to-End-Workflows – von der Aufbereitung chat-ähnlicher Datensätze bis zur Modellevaluierung und dem Export in verschiedene Formate – und ermöglichte so eine skalierbare, leistungsstarke Anpassung von Modellen mit mehreren Milliarden Parametern auf einer einzigen GPU.
Tools: Python, Unsloth, LoRA, PEFT, Hugging Face Transformers, TRL (SFTTrainer), 4-Bit-Quantisierung, Mixed Precision, PyTorch, Google Colab, Jupyter Notebook, Git.

Mai 2025 - Mai 2025

1 Monat

Multimodaler KI-Agent für verbessertes Inhaltsverständnis mit LlamaIndex, NVIDIA NIM und Milvus

Entwickelte ein multimodales, retrieval-augmented Generation-System mit LlamaIndex, NVIDIA NIM-Microservices und Milvus für die Echtzeitverarbeitung von Dokumenten und Bildern, das es Nutzern ermöglicht, interaktiv PDFs, PowerPoints und Bilddaten über eine Streamlit-Chatoberfläche abzufragen, und integrierte LLMs und VLMs für erweiterte Dokumenten- und visuelle Inhaltsanalyse.
Tools: Python, Streamlit, LlamaIndex, NVIDIA NIM, Milvus, DePlot.

Jan. 2025 - Feb. 2025

2 Monate

End-to-End medizinischer Chatbot mit LLMs, LangChain, Pinecone und LLMOps

Entwickelte einen End-to-End-produktionsbereiten medizinischen Chatbot mit großen Sprachmodellen, LangChain und Pinecone in einer Retrieval-augmented-Generation-Pipeline, der genaue, datenschutzkonforme Gesundheitsantworten liefert und Echtzeitabfragen medizinischer Daten mit integrierter Validierung für klinische Relevanz und Sicherheit ermöglicht.
Tools: Python, Flask, OpenAI GPT, LangChain, Pinecone, GitHub Actions, Docker, AWS EC2, ECR.

Sept. 2022 - Heute

3 Jahre 8 Monate

Machine-Learning-Ingenieur

Omdena.com

Leitete ein Omdena Local Chapter in Tunesien, organisierte und führte ein Team von Freiwilligen zur Zusammenarbeit an Projekten mit sozialem Einfluss und betreute Einzelpersonen bei der Entwicklung von Fähigkeiten in Datenwissenschaft und Machine Learning.
Entwickelte Deep-Learning-Modelle mit Python und TensorFlow zur Erkennung von Olivenblattkrankheiten mit 95 % Genauigkeit, was lokalen Bauern durch Frühinterventionsstrategien eine Kostenersparnis von 20 % ermöglichte.
Entwickelte Computer-Vision-Modelle zur Klassifizierung roter Blutkörperchen zur Diagnose der Sichelzellanämie, die die Vorhersagegenauigkeit um 25 % steigerten, unter Verwendung von Python, TensorFlow und OpenCV und enger Zusammenarbeit mit Datenwissenschaftlern und Ingenieuren aus Benin.

Jan. 2022 - Dez. 2022

1 Jahr

Gabes, Tunesien

Forschungsingenieur für Deep Learning

Intelligent Machines Lab, Universität Gabes

Automatisierte Extraktion von Fußball-Highlights mithilfe von Deep Learning und einem maßgeschneiderten YOLOv7-Modell, das mit PyTorch feinabgestimmt wurde, wodurch eine um 90% höhere Erkennungsgenauigkeit wichtiger Ereignisse erreicht und die Videobearbeitungszeit um 90% reduziert wurde.
Entwickelte eine Bildextraktions-Pipeline (Python), ein Video-Kompressionstool (OpenCV, FFMPEG) und eine Full-Stack-Webanwendung (Django, React), um 90-minütige Spiele in 5-minütige Zusammenfassungen zu verdichten und bereitzustellen, wodurch die Bearbeitungszeit um 80% verkürzt und der Echtzeitzugriff auf Highlights ermöglicht wurde.
Förderte bereichsübergreifende Zusammenarbeit in einer hybriden akademisch-industriellen Umgebung, indem Forschungsziele mit technischer Umsetzung abgestimmt wurden, um Innovationen in der Sportvideoanalyse zu beschleunigen.

KI-gestütztes Fußball-Videoanalyse-System mit YOLO, OpenCV und Python

Entwickelte ein umfassendes, KI-gestütztes Fußball-Analyse-System unter Einsatz modernster Computer-Vision-, Deep-Learning- und Tracking-Algorithmen zur Überwachung der Spielerleistung, Berechnung des Ballbesitzes und Bereitstellung von Echtzeitanalysen, das YOLOv11 (Ultralytics) für präzise Objekterkennung mit KMeans-Clustering, optischem Fluss und perspektivischer Transformation kombiniert, um genaue, reale Analysen zu gewährleisten.
Werkzeuge: Python, OpenCV, NumPy, Pandas, Matplotlib, Scikit-learn, YOLOv11 (Ultralytics), optischer Fluss, perspektivische Transformation, Jupyter Notebook, VS Code, Git.

End-to-End-Klassifizierung von Nierenerkrankungen mit MLflow, DVC und Cloud-Bereitstellung

Entwarf und implementierte eine vollständige ML-Pipeline zur Klassifizierung von Nierenerkrankungen unter Verwendung von MLflow für das Experiment-Tracking, DVC für Datenversionierung und Orchestrierung sowie AWS EC2/ECR mit GitHub Actions für CI/CD und erreichte Reproduzierbarkeit, Skalierbarkeit und robuste Cloud-Bereitstellung des ML-Modells über Docker.
Werkzeuge: Python, Pandas, Scikit-learn, MLflow, DVC, Docker, GitHub Actions, AWS (EC2, ECR, IAM), Flask.

Echtzeit-Annotationstool für Videodaten zur Erkennung menschlicher Aktivitäten

Entwarf und lieferte eine professionelle PyQt5-Desktop-Anwendung, die YOLOv11-Pose-Schätzmodelle mit OpenCV für die Echtzeit-Mehrpersonen-Annotation integriert und über eine skalierbare, threadbasierte Videoverarbeitungspipeline, ein umfassendes COCO-konformes Datenmanagement mit automatischen Backups, Multi-Format-Exportfunktionen (YOLO, Pascal VOC, CSV) sowie einen robusten Projektworkflow verfügt, der die Erstellung von Trainingsdatensätzen für die Erkennung menschlicher Aktivitäten in Sicherheits- und Überwachungsanwendungen erheblich verkürzte.
Werkzeuge: Python 3, PyQt5, YOLOv11, OpenCV, Threading, Ultralytics, Roboflow, YOLOv11-Pose, NumPy, JSON, XML, modulare Architektur, Echtzeit-Videoannotation.

Branchenerfahrung

Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.

Erfahren in Gesundheitswesen, Landwirtschaft, Bildung und Sport und Freizeit.

Gesundheitswesen

Landwirtschaft

Bildung

Sport und Freizeit

Erfahrung nach Fachbereich

Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.

Erfahren in Forschung und Entwicklung (F&E), Produktentwicklung, Projektmanagement und Informationstechnologie (IT).

Forschung und Entwicklung (F&E)

Produktentwicklung

Projektmanagement

Informationstechnologie (IT)

Zusammenfassung

KI- und Machine-Learning-Experte mit über 7 Jahren Erfahrung in der Entwicklung und Bereitstellung hochmoderner Deep-Learning-Modelle, KI-Pipelines und Full-Stack-ML-Lösungen in Bereichen wie medizinische Bildgebung, Landwirtschaft und Multimedia. Erfahren in Computer Vision, Natural Language Processing und Generative AI mit Praxiswissen in Python, PyTorch, TensorFlow, Keras, OpenCV und Cloud-Plattformen (AWS, Google Cloud, Azure). Versiert in Datenvorverarbeitung, Feature Engineering, Modellebewertung, Hyperparameter-Tuning sowie in der Bereitstellung produktionsreifer KI-Systeme mit Docker, Kubernetes, MLflow und DVC. Bekannt dafür, optimierte, leistungsstarke KI-Modelle zu entwickeln, große Sprachmodelle feinzujustieren und skalierbare, innovative Lösungen zu liefern, die messbare Ergebnisse erzielen und komplexe reale Probleme lösen.

Sprachen

Arabisch

Muttersprache

Englisch

Verhandlungssicher

Ausbildung

Okt. 2020 - Juni 2022

Universität Gabès

Master in Automatischer Elektrotechnik · Automatische Elektrotechnik · Gabes, Tunesien

Zertifikate & Bescheinigungen

Spezialisierung Generative Adversarial Networks (GANs)

Google Cloud Associate Cloud Engineer

Google Cloud Professional Cloud Architect

Google Cloud Professional Data Engineer

Google Cloud Professional Machine Learning Engineer

Huawei Certified ICT Associate: Artificial Intelligence

Machine-Learning-Spezialisierung der Stanford University

Microsoft Certified: Azure Data Scientist Associate

Statistiken

Erfahrung

Positionen gesamt 9

Erfahrung in Gesundheitswesen 3.5 J.

Durchschn. Dauer 6 M.

Längste Erfahrung 3 J. 7 M.

Globale Erfahrung

Länder gearbeitet 1 (Tunesien)

Hauptland Tunesien

Fachkenntnisse

Aktuelle Rollen Feinabstimmung von Detection Transformers für benutzerdefinierte Objekterkennung, Effiziente Feinabstimmung großer Sprachmodelle (LLMs) mit Unsloth + LoRA, Multimodaler KI-Agent für verbessertes Inhaltsverständnis mit LlamaIndex, NVIDIA NIM und Milvus

Hauptbranchen Gesundheitswesen, Landwirtschaft, Bildung

Hauptfachbereiche Forschung und Entwicklung (F&E), Produktentwicklung, Projektmanagement

Qualifikationen

Höchster Abschluss Master

Zertifikate erworben 8

Profil

Erstellt

Oktober 2025

Stand

Oktober 2025

Du suchst Freelancer?Passende Kandidaten in Sekunden!

FRATCH GPT testen

Häufig gestellte Fragen

Du hast Fragen? Hier findest du mehr.

Wo ist Firas ansässig?

Firas ist in Gafsa, Tunesien ansässig.

Welche Sprachen spricht Firas?

Firas spricht folgende Sprachen: Arabisch (Muttersprache), Englisch (Verhandlungssicher).

Wie viele Jahre Erfahrung hat Firas?

Firas hat mindestens 4 Jahre Erfahrung. In dieser Zeit hat Firas in mindestens 6 verschiedenen Rollen und für 2 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 1 Jahr und 9 Monate. Beachten Sie, dass Firas möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.

Für welche Rollen wäre Firas am besten geeignet?

Basierend auf der jüngsten Erfahrung wäre Firas gut geeignet für Rollen wie: Feinabstimmung von Detection Transformers für benutzerdefinierte Objekterkennung, Effiziente Feinabstimmung großer Sprachmodelle (LLMs) mit Unsloth + LoRA, Multimodaler KI-Agent für verbessertes Inhaltsverständnis mit LlamaIndex, NVIDIA NIM und Milvus.

Was ist das neueste Projekt von Firas?

Die neueste Position von Firas ist Feinabstimmung von Detection Transformers für benutzerdefinierte Objekterkennung.

Für welche Unternehmen hat Firas in den letzten Jahren gearbeitet?

In den letzten Jahren hat Firas für Omdena.com, Intelligent Machines Lab und Universität Gabes gearbeitet.

In welchen Industrien hat Firas die meiste Erfahrung?

Firas hat die meiste Erfahrung in Industrien wie Gesundheitswesen, Landwirtschaft und Bildung. Firas hat auch etwas Erfahrung in Sport und Freizeit und Informationstechnologie (IT).

In welchen Bereichen hat Firas die meiste Erfahrung?

Firas hat die meiste Erfahrung in Bereichen wie Forschung und Entwicklung (F&E), Produktentwicklung und Projektmanagement. Firas hat auch etwas Erfahrung in Informationstechnologie (IT).

Was ist die Ausbildung von Firas?

Firas hat einen Master in Automatische Elektrotechnik von Universität Gabès.

Ist Firas zertifiziert?

Firas hat 8 Zertifikate. Darunter sind: Spezialisierung Generative Adversarial Networks (GANs), Google Cloud Associate Cloud Engineer und Google Cloud Professional Cloud Architect.

Wie ist die Verfügbarkeit von Firas?

Firas ist sofort verfügbar für passende Projekte.

Wie hoch ist der Stundensatz von Firas?

Der Stundensatz von Firas hängt von den spezifischen Projektanforderungen ab. Bitte verwenden Sie die Meet-Schaltfläche im Profil, um ein Meeting zu planen und die Details zu besprechen.

Wie kann man Firas beauftragen?

Um Firas zu beauftragen, klicken Sie auf die Meet-Schaltfläche im Profil, um ein Meeting anzufragen und Ihre Projektanforderungen zu besprechen.

Durchschnittlicher Tagessatz für ähnliche Positionen

Die Tagessätze basieren auf aktuellen Projekten und enthalten keine FRATCH-Marge.

800

600

400

200

⌀ Markt: 528-688 €

Die angegebenen Tagessätze entsprechen der typischen Marktspanne für Freelancer in dieser Position, basierend auf aktuellen Projekten auf unserer Plattform.

Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.