Erfahrungen
Senior Computer-Vision-Ingenieur
Dandy
- Entwicklung von Modellen zur Klassifizierung und Segmentierung von Punktwolken für zahnmedizinische Anwendungen.
- Entwicklung von Verfahren zur Domänenanpassung, die den F1 score in einer neuen klinischen Domäne um 0.1 verbesserten.
- Arbeit mit 3D-Geometriedaten und ML-Pipelines im Produktionsmaßstab.
Deep-Learning-Ingenieur
audatic.ai
- Sprachverbesserung für ein Hörgerät mit TensorFlow.
- Extraktion des Zielsprechers anhand einer Sprachprobe/Richtung.
- Entwicklung von Modellen zur Sprachverbesserung und Zielsprecherextraktion für Hörgeräte, wodurch die Sprachverständlichkeit in lauten Umgebungen verbessert wurde.
- Reduzierung der Modellgröße und Inferenzkosten durch Quantisierung, NAS und Wissensdestillation für den Einsatz auf Hörgeräte-Hardware.
Spezialist für maschinelles Lernen
Giant.ai
Ein humanoider Roboter wurde mithilfe von Reinforcement Learning trainiert, um Aufgaben wie das Aufnehmen und Platzieren von Objekten auszuführen.
- Entwicklung von Wahrnehmungssystemen mit kontrastivem Lernen, Autoencodern und 3D-Posenschätzung für einen humanoiden Manipulationsroboter.
- Aufbau von Sensorfusions-Pipelines, die gegenüber Ausfällen von bis zu 50% der verfügbaren Sensoren robust sind.
- Entwicklung von Dynamikmodellen, die die Simulationsgenauigkeit verbesserten und den Erfolg bei Manipulationsaufgaben um 5% steigerten.
- Optimierung von Robotersteuerungssystemen, wodurch die Ausführungsgeschwindigkeit um das 3.3-Fache erhöht wurde.
- Entwicklung von Manipulationsrichtlinien mit Erfolgsraten von >90% mithilfe von Reinforcement Learning und Behavioral Cloning.
Wissenschaftlicher Mitarbeiter (Computer Vision)
Speech Technology Center
- Passive Gesichtsfälschungserkennung.
- Datensammlung (akademische Daten, Scraping, Crowdsourcing).
- Implementierung und Training von Deep-Learning-Modellen mit PyTorch.
- Übertragung und Testen der trainierten Modelle in einem mit C++ kompatiblen Format.
- Entwicklung eines durchgängigen Demonstrationssystems einschließlich Modellbereitstellung und Frontend-Integration.
- Leitung der Entwicklung von Verfahren zur Domänenanpassung, die den HTER um 10% reduzierten.
Praktikant im Bereich Computer Vision
Neuromation
- Entwicklung eines skalierbaren Klassifizierungssystems für Einzelhandelsprodukte, das die SKUs der Produkte im Regal eines Supermarkts automatisch erkennt.
- Bildsuche.
- Erreichen einer Klassifizierungsgenauigkeit von 96%.
Softwaretestingenieur
Deutsche Bank
Qualitätssicherungsingenieur und Teamleiter, verantwortlich für Java-basierte Testautomatisierung und Qualitätssicherung. Leitete ein Team aus 3 Ingenieuren, bevor der Wechsel in die Bereiche maschinelles Lernen und Computer Vision erfolgte.
Softwaretestingenieur
Yandex
Qualitätssicherungsingenieur und Teamleiter, verantwortlich für Java-basierte Testautomatisierung und Qualitätssicherung. Leitete ein Team aus 3 Ingenieuren, bevor der Wechsel in die Bereiche maschinelles Lernen und Computer Vision erfolgte.
Softwaretestingenieur
OOO ROLIS
Qualitätssicherungsingenieur und Teamleiter, verantwortlich für Java-basierte Testautomatisierung und Qualitätssicherung. Leitete ein Team aus 3 Ingenieuren, bevor der Wechsel in die Bereiche maschinelles Lernen und Computer Vision erfolgte.
Wissenschaftlicher Mitarbeiter
The Central Astronomical Observatory of the RAS at Pulkovo
Deep-Learning-Ingenieur
Freelance
- Vorhersage des Asthmazustands von Patienten am folgenden Tag. F1 > 0.7
- Bildsuche und -abruf in mehreren Projekten, einschließlich der Entfernung von Duplikaten aus Immobilienanzeigen.
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Informationstechnologie (IT), Gesundheitswesen, Bank- und Finanzwesen und Weltraumforschung und -reisen.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Informationstechnologie (IT), Qualitätssicherung, Forschung und Entwicklung (F&E) und Produktentwicklung.
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Natalia spricht folgende Sprachen: Russisch (Muttersprache), Englisch (Verhandlungssicher), Deutsch (Fortgeschritten).
Natalia hat mindestens 16 Jahre Erfahrung. In dieser Zeit hat Natalia in mindestens 7 verschiedenen Rollen und für 9 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 9 Monate. Beachten Sie, dass Natalia möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Natalia gut geeignet für Rollen wie: Senior Computer-Vision-Ingenieur, Deep-Learning-Ingenieur, Spezialist für maschinelles Lernen.
Die neueste Position von Natalia ist Senior Computer-Vision-Ingenieur bei Dandy.
In den letzten Jahren hat Natalia für Dandy, audatic.ai und Giant.ai gearbeitet.
Natalia hat die meiste Erfahrung in Industrien wie Informationstechnologie (IT), Gesundheitswesen und Bank- und Finanzwesen. Natalia hat auch etwas Erfahrung in Weltraumforschung und -reisen und Einzelhandel.
Natalia hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT), Qualitätssicherung und Forschung und Entwicklung (F&E). Natalia hat auch etwas Erfahrung in Produktentwicklung.
Natalia hat kürzlich in Industrien wie Gesundheitswesen und Informationstechnologie (IT) gearbeitet.
Natalia hat kürzlich in Bereichen wie Informationstechnologie (IT), Produktentwicklung und Forschung und Entwicklung (F&E) gearbeitet.
Natalia hat einen Master in Theorie des statistischen Lernens von Higher School of Economics & Skoltech und einen Master in Astronomie von Saint-Petersburg State University.
Natalia ist sofort verfügbar für passende Projekte.
Ähnliche Freelancer
Entdecke andere Experten mit ähnlichen Qualifikationen und Erfahrungen
Peter S.
Letzte Position:
Senior ML Engineer & KI-Forscher bei Kunde anonym
Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung
- Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
- Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
- Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.
Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision
Anton K.
Letzte Position:
Leiter der technischen Gesamtintegration NSC / Entwicklung von Hadoop Cloud bei IABG
Leiter der technischen Gesamtintegration NSC (National Secure Cloud, Projekt mit ca. 60 Mitarbeiter).
Technische Integration von allen Subprojekten in ein Produkt, Definition von Schnittstellen, Basiskomponenten einer Cloud inklusive Hardware, technische Architektur der Basis IABG.
Entwicklung eines Cloud Management Platforms (CMP), die in der Lage ist, Private/Mixed Cloud von beliebiger Komplexität anhand einer textuellen Beschreibung mit einem Click oder interaktiv zu erstellen.
CMP beinhaltet auch den kompletten Zyklus Hardware Management.
Als Basis wird Kubernetes, Openstack und Hadoop benutzt.
Die Managementschicht beinhaltet Harbor, Gitea, Longhorn, Keycloak, Rancher und Jenkins, die automatisch konfiguriert sind.
Privat Cloud kann beliebige Workloads von Kunden ausführen, darunter volle Hadoop Schicht mit HDFS, Spark, MapRed, Mezos, HBase und ca. 20 weiteren ML/DL Technologien.
Hadoop Worker Cluster kann auch ohne Kubernetes on Bare Metal oder Commodity Hardware automatisch installiert werden.
Openstack mit Nova, Neutron, Ironic, Swift, Cinder, Ceph.
Entwicklung einer Java Anwendung Rudi: Soap, Rest, Containers, DB.
Technologien: Kubernetes (K3s, Rke2, Minikube, Harbor, Gitea, Jenkins, Longhorn, Keycloak, Rancher), Openstack (Nova, Neutron, Keystone, Swift, Ceph, Cinder, Sahara, Magnum, Kayobe, Kolla, Bigrost, Ironic), Hadoop (HDFS, Ambari, Solr, Livy, Ranger, YARN, Tez, HBase, Kafka, Hive, Zookeeper, MapReduce, Spark, Oozie, Flink), Virtualizierung (Kubernetes (K3S), VMware, Oracle), Skripting (Ansible, Puppet, Juju, Shell, Groovy, Gradle, Maven).
Martin R.
Letzte Position:
Senior LLM Research Scientist bei BYO Inc.
- Modelle für Chatbots, NLP und LLMs (z. B. Llama, Qwen, OpenAI) erforschen und entwickeln
- Chatbots mit RAG und In-Context Learning verbessern
- Supervised Fine-Tuning (PEFT, LoRA), Huggingface oder Unsloth
- Fortgeschrittene Trainingsmethoden: Test-Time Training, (transduktives) Active Learning, Reinforcement Learning
- Serving mit hohem Durchsatz mit vLLM
- Embedding-Modelle anwenden (z. B. SentenceTransformers), Similarity-/Vektorsuche oder Vektor-DB oder Ranking (z. B. LlamaIndex, Faiss, LangChain)
- Synthetische Daten erzeugen und filtern, Clustering
- Halluzinationen erkennen
- Chatbot-Modelle bewerten (Rouge, BLEU, F1-Score, Recall, Precision)
- Visualisierung von Experimenten (matplotlib)
Jeanne Y.
Letzte Position:
Praktikant Prozessingenieur bei Procter & Gamble
- Automatisierte Validierungs-Workflows mit Python eigenständig initiiert und implementiert, dadurch die manuelle Verarbeitung um 58% reduziert und die Effizienz verbessert
- Ein Machine-Learning-Modell zur Erzeugung synthetischer Fehler entwickelt, Ausfallzeiten und Produktionskosten reduziert; lokal sowie über Databricks und Azure AI Factory bereitgestellt
- Einen kleinen Bilddatensatz aus den Produktionslinien genutzt und durch das Training von Modellen wie cycleGAN und pix2pix erweitert
- Die Linux-basierte Entwicklungsumgebung für das Training von 3D-Modellen aufgebaut und optimiert; die Reproduzierbarkeit über GitHub sichergestellt
- Technische Erkenntnisse funktionsübergreifenden Teams (Ingenieuren, QA, Projektmanagern) präsentiert und so die Abstimmung von ML-Lösungen auf betriebliche Anforderungen sichergestellt
Kai W.
Letzte Position:
Schwarz IT KG
- Migration des SW-Entwicklungsprozesses einer medizintechnischen Software auf C/C++ Package Manager Conan und Entwicklung macOS-spezifischer Systemkomponenten
Kimmo S.
Letzte Position:
Freiberuflicher Data Scientist bei Upcognify Ltd
- Entwarf und trainierte tiefe neuronale Netze, um ein Problem der vorausschauenden Wartung in der Fertigungsindustrie zu lösen.
- Definierte geeignete Leistungskennzahlen und verfolgte sie mit einem MLflow-Server.
- Coachte die Manager und Entwickler des Kunden in Machine Learning, neuronalen Netzen und agiler Softwareentwicklung.
- Technologien und Methoden: Python, NumPy, SciPy, Pandas, Scikit-learn, NLTK, Keras, PyTorch, TensorFlow, OpenCV, Detectron2, Meshroom, MLflow, Jupyter, Databricks, PySpark, AWS, Azure, GCP, SQL, Git, JavaScript, HTML, CSS, Java, Flask, Celery, MATLAB, R, C, C++, Scrum, Kanban, XP
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Senior Computer-Vision-Ingenieur
