Robert Pavel - Senior AI/ML Engineer

Q: Wo ist Robert ansässig?

Robert ist in Bukarest, Rumänien ansässig.

Q: Welche Sprachen spricht Robert?

Robert spricht folgende Sprachen: Englisch (Verhandlungssicher), Rumänisch (Verhandlungssicher) .

Q: Wie viele Jahre Erfahrung hat Robert?

Robert hat mindestens 10 Jahre Erfahrung. In dieser Zeit hat Robert in mindestens 4 verschiedenen Rollen und für 4 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 5 Monate . Beachten Sie, dass Robert möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.

Q: Was ist das neueste Projekt von Robert?

Die neueste Position von Robert ist AI Platform Engineer bei Wolters Kluwer .

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

In den letzten Jahren hat Robert für Wolters Kluwer und Sage gearbeitet.

Q: In welchen Industrien hat Robert die meiste Erfahrung?

Robert hat die meiste Erfahrung in Industrien wie Informationstechnologie (IT) , Bank- und Finanzwesen und Einzelhandel . Robert hat auch etwas Erfahrung in Gesundheitswesen und Pharmazeutika .

Q: In welchen Bereichen hat Robert die meiste Erfahrung?

Robert hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT) , Business Intelligence und Forschung und Entwicklung (F&E) . Robert hat auch etwas Erfahrung in Finanzen , Investitionen und M&A & Venture Capital .

Q: In welchen Industrien hat Robert kürzlich gearbeitet?

Robert hat kürzlich in Industrien wie Bank- und Finanzwesen , Informationstechnologie (IT) und Gesundheitswesen gearbeitet.

Q: In welchen Bereichen hat Robert kürzlich gearbeitet?

Robert hat kürzlich in Bereichen wie Informationstechnologie (IT) , Business Intelligence und Finanzen gearbeitet.

Empfohlener Experte

Bukarest, Rumänien

Tagessatz prüfen

Erfahrungen

Juli 2024 - Apr. 2026

1 Jahr 10 Monate

AI Platform Engineer

Wolters Kluwer

Eine Medical Research AI Platform entworfen, die ein Altsystem modernisiert und Forschern ermöglicht, Suchstrategien zu erstellen, mit Dokumenten- und Journal-Chatbots zu interagieren, KI-gestützte Suchen auszuführen und automatische Zusammenfassungen zu generieren.
End-to-End-Design und Implementierung eines zentralen MCP-Servers übernommen, der Tool-Fähigkeiten automatisch aus API-Metadaten generierte und Filterung auf Service-Ebene für Agenten unterstützte, wodurch der Aufwand für das Onboarding neuer APIs um 85% reduziert wurde, 200+ Enterprise-Tools über eine einheitliche Schnittstelle ermöglicht wurden, die Erfolgsrate von Tool-Aufrufen um 28% verbessert wurde und die Orchestrierungs-Latenz um 42% gesenkt wurde.
Die Einführung von Specification-Driven Development (SDD) über Enterprise-KI- und Plattformprojekte hinweg geleitet und eine spekulationsorientierte Arbeitsweise, automatisierte Scaffolding-Prozesse und KI-gestützte Implementierungsmuster etabliert, die die Feature-Entwicklungszeit um 40% reduziert, die Zeit von der Anforderung bis zur Produktion um 30% verkürzt und die Produktivität des Engineering-Teams über mehrere Teams hinweg verbessert haben.
Ein Multi-Agenten-System mit LangGraph und AWS Bedrock AgentCore entwickelt, um parallele Agenten zu orchestrieren, wodurch die End-to-End-Antwortlatenz um 38% reduziert, die Inferenzkosten um 31% gesenkt und die Erfolgsrate bei Aufgaben um 22% verbessert wurde.
Eine RAG-Pipeline entworfen, die klinische Dokumente mit LlamaParse aufgenommen, k-means clustering angewendet, Daten in PostgreSQL-Datenbanken gespeichert und hybride Suche mit benutzerdefinierten Embeddings genutzt hat.
Eine auf GraphRAG basierende Clinical-Intelligence-Plattform entworfen, die Millionen medizinischer Dokumente mit LlamaParse verarbeitet, domänenspezifische Wissensgraphen aus extrahierten Entitäten und Beziehungen aufgebaut und PostgreSQL-Speicherschichten integriert hat.
Graph-aware Retrieval, benutzerdefinierte Embedding-Modelle und Multi-Hop-Reasoning-Workflows implementiert, wodurch die Retrieval-Präzision um 30% gesteigert und Halluzinationen bei komplexen medizinischen Research- und Evidence-Discovery-Use-Cases um 35% reduziert wurden.
Retrieval- und Generierungsqualität mit RAGAS-Metriken wie Faithfulness, Answer Relevance, Context Precision und Context Recall bewertet, wodurch die gesamte RAG-Qualität um 26% verbessert, Faithfulness um 19% erhöht und Halluzinationen um 34% reduziert wurden.
Große klinische Datensätze in Databricks mit PySpark verarbeitet und transformiert, wodurch der ETL-Durchsatz um das 4,2-fache gesteigert, die Batch-Verarbeitungszeit um 57% reduziert und die Zuverlässigkeit der Pipelines über verteilte Workloads hinweg um 29% erhöht wurde.
Meditron-7B auf AWS SageMaker feinabgestimmt, um einen medizinischen Reasoning-Agenten zu betreiben, wobei PubMed-Artikel, Abstracts und medizinische Leitlinien genutzt wurden, um schrittweises klinisches Denken und die Zuverlässigkeit von Antworten zu verbessern.
Prompt Engineering über mehrere Agenten hinweg eingesetzt, um die Antwortgenauigkeit um 21% zu verbessern, Halluzinationen um 28% zu reduzieren und die Konsistenz in mehrstufigen Reasoning-Workflows zu erhöhen.
HIPAA-konforme Guardrail-Modelle mit BERT entwickelt und feinabgestimmt, um Datenschutz-, Compliance- und Sicherheitsanforderungen durchzusetzen.
Eine Human-in-the-Loop-Guardrail-Monitoring-Pipeline aufgebaut, um unsichere Ausgaben zu erkennen, Kliniker zu benachrichtigen und Metriken wie Verstoßhäufigkeit, Konfidenzschwellen, False-Positive-Rate und Eskalationsrate zu verfolgen, wodurch Richtlinienverstöße um 41% und False Positives um 24% reduziert wurden.
LLM-Inferenz mit vLLM optimiert und gegen ONNX Runtime sowie TensorRT benchmarked, um eine latenzarme Multi-Agenten-Verarbeitung mit hoher Parallelität zu unterstützen, wodurch der Durchsatz um 33% verbessert und die p95-Latenz um 27% gesenkt wurde.
Vollständige MLOps-Pipelines auf AWS mit Terraform, Lambda, ECS, EKS, SageMaker, CloudWatch, ECR, S3, API Gateway und VPC Link sowie Docker, Kubernetes und Bitbucket für Bereitstellung, Monitoring und automatisiertes Retraining aufgebaut.
Monitoring- und Evaluierungs-Frameworks mit MLflow entwickelt, um jeden Agenten, Prompt, Retrieval-Schritt und jede Modellversion nachzuverfolgen und so Observability, Auditierbarkeit und Experiment-Traceability über CloudWatch hinaus zu verbessern.

Apr. 2021 - Mai 2024

3 Jahre 2 Monate

Senior AI Engineer

Sage

Eine Multi-Agenten-Crypto-Analytics-Plattform entwickelt, die Marktprognosen, Handelssignale und Social-Sentiment-Analyse kombiniert hat, um umsetzbare Portfolio-Strategien zu erstellen, die Empfehlungsqualität um 12% verbessert und das Nutzerengagement um 15% erhöht.
Prediction- und Signal-Generation-Agenten mit Python, PyTorch, TensorFlow und NLP-Modellen gebaut, wodurch die Genauigkeit der Markttrendprognosen um 8% verbessert und eine Sentiment-Klassifikationsgenauigkeit von 80–85% über Twitter- und Reddit-Datensätze erreicht wurde.
Eine Recommendation Engine entworfen, die die Ergebnisse mehrerer KI-Agenten zu risikoadjustierten Portfolio-Strategien zusammengeführt hat, wodurch die Zeit für die Portfolio-Bewertung um 35% reduziert und die Relevanz der Empfehlungen um 10% verbessert wurde.
End-to-End Batch- und Echtzeit-Datenpipelines für Portfolio-, Markt- und Social-Daten mit GCP Cloud Storage und Pub/Sub implementiert, wodurch die Datenverarbeitungslatenz um 30% reduziert und die Aufnahme von 100K+ Ereignissen pro Tag unterstützt wurde.
Skalierbare Agent-Services auf GCP mit Google Kubernetes Engine (GKE) und Cloud Functions bereitgestellt und dabei ein 3x–5x-Wachstum der Workloads bei 99,5% Systemverfügbarkeit ermöglicht.
Modellversionierung, Experiment-Tracking und reproduzierbare ML-Workflows mit MLflow verwaltet, wodurch die Modell-Deployment-Zyklen um 20% reduziert und die Experimentiergeschwindigkeit um 25% erhöht wurde.
Interaktive Dashboards und Portfolio-Analytics-Visualisierungen entwickelt, wodurch der Analyseaufwand für Nutzer um 25% reduziert und die Nutzung umsetzbarer Erkenntnisse um 15% erhöht wurde.
Multi-Agenten-Workflows und Recommendation Pipelines orchestriert, wodurch die End-to-End-Zeit zur Erstellung von Empfehlungen um 20–30% reduziert wurde und gleichzeitig konsistente und zuverlässige Ergebnisse sichergestellt wurden.
Monitoring, Logging und Alerting mit Stackdriver implementiert, wodurch die Zeit bis zur Erkennung von Vorfällen um 30% reduziert und die operative Zuverlässigkeit auf 99,5% Uptime verbessert wurde.

Jan. 2019 - März 2021

2 Jahre 3 Monate

Bukarest, Rumänien

Data Scientist

Amazon

Machine-Learning-Modelle für personalisierte Produktempfehlungen und Ranking entworfen und validiert und dabei mit Ingenieuren zusammengearbeitet, um Offline-Modelle in latenzarme SageMaker-Services zu überführen, wodurch die CTR um 4–6% und das Nutzerengagement um 8–10% verbessert wurden.
End-to-End-Datenpipelines mit AWS S3, AWS Glue, Lambda und EMR aufgebaut und gepflegt, um große Clickstream-, Produktmetadaten- und Bewertungs-Datensätze für Training und Analyse aufzunehmen, zu bereinigen und zu transformieren.
NLP-Workflows entwickelt, um Signale aus Kundenbewertungen, Suchanfragen und Support-Tickets zu extrahieren, einschließlich Tokenisierung, Embedding-Generierung und Intent-Klassifikation, was dazu beigetragen hat, das Produktsuchen und das Katalogverständnis zu verbessern.
BERT und andere Transformer-basierte Modelle sowie klassische ML-Modelle wie logistische Regression und Gradient-Boosted Trees feinabgestimmt, um Query Understanding, Sentiment Analysis und Cold-Start-Empfehlungen zu verbessern.
Feature Engineering und Feature-Store-Praktiken mit versionierten Features und Lineage-Tracking angewendet, um die Reproduzierbarkeit von Experimenten zu verbessern und die Modell-Iterationszeit um 20–25% zu reduzieren.
SageMaker-Trainings- und Evaluierungs-Workflows einschließlich Hyperparameter-Tuning und Model Packaging aufgebaut, wodurch die Zeit von Experiment bis Produktion um 20–30% verkürzt wurde.
Offline-Ranking-Experimente in produktive Inferenz-Workflows auf SageMaker und Spark überführt, wodurch die CTR um 4–6% verbessert und die Serving-Latenz durch optimierte Feature-Pipelines und kleinere Modellartefakte um 25–35% reduziert wurde.

Aug. 2016 - Dez. 2018

2 Jahre 5 Monate

Bukarest, Rumänien

Software Engineer

Zitec

Skalierbare Datenaufnahme- und ETL-Pipelines entwickelt, um CRM-, Transaktions- und Marketing-Daten aus mehreren Quellen zusammenzuführen, wodurch die Datenverfügbarkeit für nachgelagerte Reports verbessert und die manuelle Verarbeitung um 25% reduziert wurde.
Customer-Segmentation- und Predictive-Analytics-Workflows mit Python, SQL und scikit-learn entwickelt, wodurch gezieltere Kampagnen möglich wurden und der Marketing-ROI um 10–12% verbessert wurde.
Churn- und Conversion-Prediction-Services mit statistischen Modellen und Regressionsverfahren gebaut, um Targeting-Strategien zu optimieren und die Kundenbindung um 6–8% zu erhöhen.
Automatisierte Dashboards und Reporting-Pipelines mit SQL und Tableau/BI-Tools erstellt, die internen Teams und externen Stakeholdern nahezu in Echtzeit Einblick in wichtige Kennzahlen ermöglichten.
Wiederverwendbare Python- und SQL-Module für Datenvorverarbeitung, Feature-Extraktion und Report-Erstellung entwickelt, wodurch die Verarbeitungszeit um 15–20% reduziert und die Wartbarkeit des Codes verbessert wurde.
Analytics-Tracking und Event-Logging-Frameworks integriert, um die Datenqualität zu verbessern, Cross-Platform Attribution zu unterstützen und die Berichtsgenauigkeit um 10% zu erhöhen.

Branchenerfahrung

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

Erfahren in Informationstechnologie (IT), Bank- und Finanzwesen, Gesundheitswesen, Pharmazeutika und Einzelhandel.

Informationstechnologie (IT)

Bank- und Finanzwesen

Gesundheitswesen

Pharmazeutika

Einzelhandel

Erfahrung nach Fachbereich

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

Erfahren in Informationstechnologie (IT), Business Intelligence, Forschung und Entwicklung (F&E), Finanzen, Investitionen und M&A & Venture Capital.

Informationstechnologie (IT)

Business Intelligence

Forschung und Entwicklung (F&E)

Finanzen

Investitionen, M&A & Venture Capital

Zusammenfassung

Innovativer KI-Ingenieur mit 10 Jahren Erfahrung im Entwerfen, Bereitstellen und Skalieren von produktionsreifen KI-Systemen in den Bereichen Healthcare, Fintech und E-Commerce. Expertise in generativer KI, einschließlich Multi-Agenten-Systemen, agentic RAG, LLM-Fine-Tuning, Inferenz-Optimierung und MCP-Integration, mit umfassender End-to-End-Verantwortung für ML/LLMOps-Pipelines von der Datenaufbereitung und dem Modelltraining bis zu CI/CD, Observability, Compliance und Sicherheit. Nachgewiesene Fähigkeit, sichere und skalierbare Enterprise-KI-Lösungen auf AWS, Azure und GCP zu liefern und dabei eng mit Produkt-, Daten- und Infrastrukturteams zusammenzuarbeiten, um die Lieferung zu beschleunigen, die operative Effizienz zu verbessern und das Geschäftswachstum voranzutreiben.

Fähigkeiten

Programmiersprachen: Python, Typescript, Javascript, Java, Sql, R, C/C++
Backend & Frontend: Fastapi, Flask, Django, Node.Js, Express, React, Next.Js, Tailwind Css, Rest Apis, Graphql, Grpc, Microservices-Architektur, Echtzeitsysteme (Websockets, Sse), Authentifizierung & Autorisierung (Oauth2, Jwt), State Management (React Query, Swr), Webpack, Babel, Vercel, Jest
Data Engineering & Datenbanken: Postgresql, Mysql, Mongodb, Elasticsearch, Hadoop, Pyspark, Databricks (Lakehouse, Delta Lake), Vektordatenbanken (Faiss, Pinecone, Chroma, Pgvector)
Machine Learning & Deep Learning: Pytorch, Tensorflow, Keras, Scikit-Learn, Numpy, Pandas, Matplotlib
Natural Language Processing & Llm-Systeme: Gpt, Claude, Gemini, Llama, Grok, Prompt Engineering, Fine-Tuning (Lora / Qlora), Retrieval-Augmented Generation (Rag), Semantische Suche, Conversational Ai, Dialogsysteme, Agentic Ai-Systeme, Voice Ai
Llm-Inferenz & Optimierung: Vllm (High-Throughput-Inferenz), Onnx / Onnx Runtime, Tensorrt / Tensorrt-Llm, Quantisierung (Int8, Fp16, Gptq, Awq), Model Serving Optimization (Batching, Kv Cache, Speculative Decoding), Gpu-Optimierung (Cuda, Multi-Gpu, Distributed Inference)
Computer Vision & Multimodale Ki: Ocr (Tesseract, Cloud Vision Apis), Objekterkennung (Yolo), Semantische Segmentierung, Multimodale Architekturen, Diffusionsmodelle
Cloud-Ki & Managed Services: Google Cloud Platform (Gcp), Vertex Ai (Training, Pipelines, Matching Engine), Azure Ai (Azure Openai, Cognitive Services, Azure Ml), Aws Ai Services (Sagemaker, Bedrock, Rekognition, Textract, Comprehend), Serverless Ai (Aws Lambda, Azure Functions, Cloud Functions), Cloud Ocr (Textract, Azure Ocr, Google Vision Api), Cloud Storage & Data (S3, Gcs, Azure Blob Storage, Bigquery, Redshift)
Mlops & Ki-Infrastruktur: Docker, Kubernetes, Terraform, Ansible, Ci/Cd (Github Actions, Jenkins), Airflow, Kubeflow, Mlflow, Weights & Biases, Prometheus, Grafana, Model Deployment & Monitoring, Hugging Face Ecosystem
Llm-Frameworks & Datenverarbeitung: Langchain, Langgraph, Langsmith, Llamaindex, Llamaparse, Autogen, Crewai, Dify, Livekit (Realtime Ai), Model Context Protocol (Mcp)

Sprachen

Englisch

Verhandlungssicher

Rumänisch

Verhandlungssicher

Ausbildung

Mai 2014 - Juni 2016

University of Bucharest

Master of Computer Science · Computer Science · Bukarest, Rumänien

Sept. 2010 - Apr. 2014

University of Bucharest

Bachelor of Computer Science · Computer Science · Bukarest, Rumänien

Statistiken

Erfahrung

Positionen gesamt 4

Erfahrung in Informationstechnologie (IT) 5.5 J.

Durchschn. Dauer 2 J. 4 M.

Längste Erfahrung 3 J. 1 M.

Globale Erfahrung

Länder gearbeitet 1 (Rumänien)

Hauptland Rumänien

Fachkenntnisse

Aktuelle Rollen AI Platform Engineer, Senior AI Engineer, Data Scientist

Hauptbranchen Informationstechnologie (IT), Bank- und Finanzwesen, Gesundheitswesen

Hauptfachbereiche Informationstechnologie (IT), Business Intelligence, Forschung und Entwicklung (F&E)

Qualifikationen

Höchster Abschluss Master

Profil

Erstellt

Juli 2026

Du suchst Freelancer?Passende Kandidaten in Sekunden!

FRATCH GPT testen

Häufig gestellte Fragen

Du hast Fragen? Hier findest du mehr.

Robert ist in Bukarest, Rumänien ansässig.

Robert spricht folgende Sprachen: Englisch (Verhandlungssicher), Rumänisch (Verhandlungssicher).

Robert hat mindestens 10 Jahre Erfahrung. In dieser Zeit hat Robert in mindestens 4 verschiedenen Rollen und für 4 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 5 Monate. Beachten Sie, dass Robert möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.

Basierend auf der jüngsten Erfahrung wäre Robert gut geeignet für Rollen wie: AI Platform Engineer, Senior AI Engineer, Data Scientist.

Die neueste Position von Robert ist AI Platform Engineer bei Wolters Kluwer.

In den letzten Jahren hat Robert für Wolters Kluwer und Sage gearbeitet.

Robert hat die meiste Erfahrung in Industrien wie Informationstechnologie (IT), Bank- und Finanzwesen und Einzelhandel. Robert hat auch etwas Erfahrung in Gesundheitswesen und Pharmazeutika.

Robert hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT), Business Intelligence und Forschung und Entwicklung (F&E). Robert hat auch etwas Erfahrung in Finanzen, Investitionen und M&A & Venture Capital.

Robert hat kürzlich in Industrien wie Bank- und Finanzwesen, Informationstechnologie (IT) und Gesundheitswesen gearbeitet.

Robert hat kürzlich in Bereichen wie Informationstechnologie (IT), Business Intelligence und Finanzen gearbeitet.

Robert hat einen Master in Computer Science von University of Bucharest und einen Bachelor in Computer Science von University of Bucharest.

Die Verfügbarkeit von Robert muss bestätigt werden.

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

Um Robert 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.

600

450

300

150

⌀ Markt: 440-520 €

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.