Himanshu Negi

Konzipierte eine agentenbasierte Echtzeit-Engine zur Angebotsorchestrierung, in der spezialisierte Agenten (Retrieval, Pricing/Optimierung und Richtlinien/Guardrails) zusammenarbeiten, um Promotionen über alle Touchpoints zu personalisieren, mittels RAG mit FAISS auf Delta Lake und latenzarmem Databricks Model Serving. Arbeit mit Produktmanagern und kommerziellen Stakeholdern zur Roadmap-Gestaltung und Bewertung neuer Agentenmuster für den Produktionseinsatz.

Entwickelte einen agentenbasierten Data-Quality-Service, der Schema-Erkennung, Entity-Normalisierung und Validator-/Exception-Handling-Agenten orchestriert, um SKU-Feeds mehrerer Händler in großem Maßstab zu bereinigen. Verpackte Modellaufrufe in PySpark-UDFs für verteilte Inferenz, automatisiert über Databricks Workflows und CI/CD.

Entwickelte eine multimodale, agentenbasierte Extraktions-Pipeline, in der Vision-, Parsing- und Compliance-Agenten zusammenarbeiten, um Marke, Verpackung und Volumen aus gescannten Bildern mit Claude 3 Sonnet und Swin Transformer-Encodern zu extrahieren. Orchestriert über Azure Event Hub, mit Speicherung der Ergebnisse in Delta Lake.

Implementierte einen GS1-Taxonomie-Klassifizierungsservice, der auf kooperierenden Agenten für Inferenz, Drift-Monitoring und automatisierte Retrainings-Governance basiert, unter Nutzung von Falcon 180B (LoRA-feinjustiert) mit Batch-Pipeline auf Databricks.

Erstellte einen hybriden Agenten-Workflow, bei dem ein Retrieval-Agent Kandidaten über Embeddings ermittelt und ein Reasoning/Verifikations-Agent (Mixtral 8x7B) die Übereinstimmung von Beleg und SKU überprüft, integriert in eine Streaming-Pipeline auf Databricks.

Entwickelte eine multimodale Attribut-Inferenz-Pipeline, aufgebaut aus kooperierenden Vision-Sprach-, Regel-/Konsistenz- und Compliance-Agenten, um NutriScore, Nährwertfelder und Verpackungsarten aus Namen und Bildern mit LLaMA 3-8B und CLIP-Embeddings zu ermitteln.

Entwickelte ein GenAI-basiertes Orchestrierungssystem, das Rezepte von mehreren Websites einliest, Zutaten über strukturierte Extraktions-Agenten analysiert und diese dynamisch über Tagging, semantisches Reasoning und Business-Rule-Agenten mit Echtzeit-Händlerangeboten verknüpft.

Entwickelte und implementierte ein Random-Forest-Modell auf AWS SageMaker zur Kalibrierung der Temperatur von IoT-Geräten in Gewächshäusern unter Nutzung physikbasierter Features, erreichte eine 20%ige Verbesserung der Vorhersagegenauigkeit für das Echtzeit-Monitoring von 8000 Geräten.

Entwarf ein KI-gesteuertes Lagerverwaltungssystem mit Zeitreihenanalyse zur Nachfrageprognose und Automatisierung der Nachschubprozesse, verbesserte die Bestandsgenauigkeit um 30%.

Entwickelte ein KI-gestütztes Qualitätssicherungssystem mit Computer Vision zur Erkennung von Fertigungsfehlern mit 98% Genauigkeit, verringerte Produktionsfehler um 35%.

Entwarf ein inhaltsbasiertes Empfehlungssystem für personalisierte Bankproduktvorschläge, steigerte den Umsatz um 20% und verbesserte die Kundenzufriedenheit.

Entwickelte einen interaktiven Chatbot mit IBM Watson Assistant für Finanzprodukt-Empfehlungen, erhöhte das Kundenengagement um 30%.

Erstellte ein Predictive-Scorecard-Modell mit logistischer Regression und Lift-Charts zur Identifikation von Kunden mit hoher Kreditwahrscheinlichkeit, steigerte die Kreditakquisitionsrate um 25%.

Prognostizierte monatliche Lkw-Händlerverkäufe mit ARIMA- und LSTM-Modellen mit 95% Genauigkeit zur Optimierung der Händlerplanung.

Sagte individuelle medizinische Kosten mit Ridge-, Lasso- und Elastic-Net-Regression voraus, verbesserte die Kostenschätzgenauigkeit um 15%.

Setzte KI-gestützte Modelle für die Bedarfsprognose in der Lieferkette und Bestandsoptimierung ein, senkte die Betriebskosten um 25%.

Erstellte einen KI-betriebenen Kundensupport-Chatbot mit GPT-basiertem NLP für den E-Commerce, verkürzte die Antwortzeiten um 40%.