XiaoMi-AI文件搜索系统
World File Search SystemMLOPS
情报任务的 AI
CACI 为情报界提供人工智能 (AI) 和机器学习 (ML) 解决方案，以自动化信息收集、处理、利用和传播过程。我们的 AI 模型提高了数据分析速度、目标识别和跟踪的准确性，并识别有意和无意的数据异常。我们通过应用 AI 和 ML 工具进行特征提取、对象检测、全动态视频分析、射频 (RF) 签名跟踪和异常事件检测以及语言翻译解决方案来改善客户的通用情报图景。我们快速结合开源和多 INT 数据，实现高效准确的模式检测。我们部署人机交互技术，作为强大的工具，帮助分析师改进他们的 AI 模型输出，而无需昂贵的算法开发。我们是大规模部署机器学习操作 (MLOps) 的专家，并将先进的 AI 技术与可立即投入生产且经济高效的架构相结合，能够满足全球乃至战术前沿不断变化的战略和战术需求。我们将 AI 技术与我们的任务专业知识相结合，为我们的客户提供任何规模的决策优势。
业务系统的 AI 和 RPA
CACI 利用人工智能 (AI)、机器学习 (ML) 和机器人流程自动化 (RPA) 技术来提高生产力并加速数据决策。我们最大限度地利用 RPA 来简化业务流程，自动化数据和耗时的程序，以减少文档处理和验证、对帐和报告、表格处理、财务管理和审计以及发票处理等任务中的手动工作。我们利用 AI 模型进行预测分析，以识别模式，识别数据中的有意和无意异常，并识别有意更改的数据。我们已将 AI 模型应用于结构化和非结构化数据，以根据每个客户和任务的需求调整模型。我们是大规模部署机器学习操作 (MLOps) 和 RPA 的专家，将先进的 AI 和 RPA 技术与能够满足不断变化的需求的生产就绪、经济高效的架构相结合。我们将我们的技术与领域专业知识相结合，与客户合作，了解如何最好地应用 AI 和 RPA 来使他们的系统、流程和资源应用受益。我们将专业知识和技术相结合，以最大限度地提高客户在工具和人员方面的能力。
信息系统开发中的机器学习系统开发实践
硬件和软件的进步已推动了机器学习（ML）解决方案，以成为众多信息系统的重要组成部分。这要求研究软件公司内ML开发实践的集成和评估。为了调查这些问题，我们对软件和ML专业人员进行了专家访谈。我们构建了围绕信息系统开发（ISD）模型的访谈，这些访谈是指导整个软件项目的利益相关者的概念框架。使用实践理论，我们分析了软件专业人员如何在ISD模型的背景下感知ML的开发，并确定了ML开发对这些概念模型的变革性影响的主题。我们的发现表明，开发人员驱动的概念模型（例如DevOps和MLOPS）已被视为开发人员和管理层的共同框架，以理解和指导ML开发过程。我们观察到了预定义开发人员角色的持续变化，在这些开发人员的职业工作中，开发人员越来越多地采用ML技术和工具。总的来说，我们的发现强调了ML技术在整个行业的软件项目中变得越来越突出，并且在ISD模型中纳入ML开发是一种持续的，主要是实践驱动的过程。
Amindorostian- Amin Udunanian的个人页面
机器学习工程师|创始人2月。2021 - Present • ECA : [ONGOING] Building Enterprise Coding Assistant, a developer tooling that integrates seamlessly with existing workspace apps and leveraging Generative AI (LLMs) makes software development much more efficient Full-stack development of the application (Svelte, Tailwind, Python, Docker, Kubernetes, CI/CD, OIDC support, Event-driven architec- ture) • MN资产管理：[正在进行的]进行数据枢纽，以提供数据驱动的体系结构，使各种应用程序Spark，Kafka，Kubernetes，kubernetes，airfflow，aws•ABN AMRO银行：建立数据科学家将其模型带到生产Kafka，Azure Cloud Managed Services（Active Directory等）的平台），气流，kubernetes•deribit：帮助，加密世界中最大的衍生品交换之一，发现使用ML的恶意交易。使用Google BigQuery，ML引擎和DataFlow分析超过1000亿行的行•BITVAVO：为荷兰加密货币现场交换的BigData解决方案工作，以便为他们提供有关客户的见解。为他们的数据管道技术堆栈奠定基础：Kafka，BigQuery，Python，Kubernetes，CI/CD•Neurololytics：AI平台的MLOPS和建筑设计
Amir Moazami
高级全栈开发人员和机器学习工程师2021-2024在软件开发生命周期内扮演着关键的角色，扮演从主要的后端开发到前端开发以及DevOps和ML OPS的多个角色，以及在Python和Javascript / Recess中提供干净可扩展的代码。●使用React和Next.js开发了Trident的前端体系结构，减少了40％的负载时间，并增加了用户参与度25％。集成了一个新的状态管理系统，启用了动态UI更新，并重新设计了UI以提高响应能力，从而大大提高了整体用户满意度。●使用FastAPI，实施WebSocket通信和REDIS CACHING设计和部署了强大的后端API，从而减少了服务器响应时间50％，并在高峰使用期间大大提高了API性能。●使用gitlab ci和Ansible，将综合的CI/CD管道率先创建，将部署时间从20分钟减少到5分钟，并减少手动干预80％，确保一致的代码质量并显着加速交付循环。●构建了可扩展的微服务框架，集成了多个Azure服务，包括App Gateway，Azure容器注册表和COSMOSDB，通过优化云资源管理，推动了系统可扩展性的显着提高并降低了运营成本。●利用MLFLOW的构建和自动化的MLOP管道，促进了研究团队的无缝模型部署和版本控制，从而提高了模型迭代速度并减少了从几周到几天的生产模型部署时间减少，从而极大地加速了项目时间表，并提高了团队生产力。●通过使用Grafana和Prometheus实施全面的监视解决方案，增强了系统的可靠性和性能，从而通过高级实时监控功能实现了数据处理能力的显着增加以及更响应迅速的故障排除过程。
Tungaraza Rosa，博士Tungaraza Rosa，博士
Rosalia Tungaraza博士 大亚特兰大地区，乔治亚州| C：206-280-9021 | rltungar@gmail.com个人资料一位有远见的领导者，通过为各个行业的变革性AI计划带头，不懈地追求为组织和企业创造价值。 我已经成功地领导了AI各个领域的举措，包括AI治理，采用，晋升/传播和发展。 利用我作为培训的计算机科学家的背景，我专注于授权组织来识别，设计，构建，评估和部署关键任务的AI解决方案，以提供有形的业务价值。 拥有超过15年的跨行业经验，我将成功归因于领导AI计划不仅具有技术水平，而且还可以与跨不同功能单位的业务利益相关者建立有意义的关系，例如临床，运营，销售，营销，人力资源，财务，产品，工程，工程，工程和客户的成功。 作为一生的学习者，我喜欢与AI这样的快速发展的领域保持同步，并帮助组织在该领域的新发展含义。 实验AVP，人工智能，浸信会健康南佛罗里达州，远程2022-目前，通过领导全球数据科学家，数据工程师，MLOPS工程师，软件工程师和产品经理，以识别，建立和部署有影响力的AI解决方案，以支持BATTISTIST HEALTY业务的所有方面。 我设定了策略，管理执行，监视和报告这些项目的特定KPI。Rosalia Tungaraza博士大亚特兰大地区，乔治亚州| C：206-280-9021 | rltungar@gmail.com个人资料一位有远见的领导者，通过为各个行业的变革性AI计划带头，不懈地追求为组织和企业创造价值。我已经成功地领导了AI各个领域的举措，包括AI治理，采用，晋升/传播和发展。利用我作为培训的计算机科学家的背景，我专注于授权组织来识别，设计，构建，评估和部署关键任务的AI解决方案，以提供有形的业务价值。拥有超过15年的跨行业经验，我将成功归因于领导AI计划不仅具有技术水平，而且还可以与跨不同功能单位的业务利益相关者建立有意义的关系，例如临床，运营，销售，营销，人力资源，财务，产品，工程，工程，工程和客户的成功。作为一生的学习者，我喜欢与AI这样的快速发展的领域保持同步，并帮助组织在该领域的新发展含义。实验AVP，人工智能，浸信会健康南佛罗里达州，远程2022-目前，通过领导全球数据科学家，数据工程师，MLOPS工程师，软件工程师和产品经理，以识别，建立和部署有影响力的AI解决方案，以支持BATTISTIST HEALTY业务的所有方面。我设定了策略，管理执行，监视和报告这些项目的特定KPI。我与各个业务领域的各个高管汇手合作，以开发公司范围内的AI路线图，并制定了整个医院的AI战略，治理/风险管理和基础设施。远程数据科学总监，远程2020-2022领导了建立数据科学解决方案的投资组合，用于医疗计费中的异常检测，为医疗保健业务中的50多个客户提供服务。我还培养了我的离岸和陆上数据科学家团队以及我们的运营，审计，产品和工程合作伙伴之间的协作工作环境。客户面临的数据科学家，DataRobot，远程2019 - 2020年的AI旅程中来自各个行业的指导数据科学团队。我通过AI用例集思广益，优先级，解决方案公式和执行，模型部署和监视，以及将其AI解决方案集成到现有的业务流程中，以快速，高效且易于重复的方式集成到现有的业务流程中。在此过程中与各种利益相关者合作，例如高管，经理，业务分析师和数据科学家。与DataRobot产品，销售，成功和教育团队的成员合作，管理我的客户帐户投资组合，协调策略以确保客户成功，并创建数据科学教育内容，以教育DataRobot客户如何成功地执行端端结束AI项目。数据科学总监，Warnermedia，佐治亚州亚特兰大，2017年 - 2019年
一种全面的机器学习方法...
目的：本研究研究了数据仓库系统中机器学习（ML）的利用及其将在多大程度上改变商业智能和分析的程度。它旨在了解ML如何改进常规数据仓库系统以支持预测和预测。方法论：本研究使用文献综述以及案例分析。它讨论了使用数据仓库实施机器学习模型时可能出现的问题，例如与数据质量，可扩展性和实时处理有关的问题。该工作检查了诸如数据库内计算，特征存储和MLOP之类的集成模式。案例研究以证明在不同领域使用整合的价值。发现：将机器学习与DW系统相结合，在不同领域提供了显着优势。这种协同作用增强了分析能力，使组织在预测性和规范性分析中的缺点高于描述性分析。但是，这样的决定并不简单，因为它具有实现问题，例如数据质量问题，可伸缩性和实时处理问题。集成最佳实践包括数据库机器学习处理，功能商店和适当的MLOP实践。来自医疗保健行业，银行和金融服务，零售和制造行业的现实生活示例表明，这种整合为业务带来了运营增强，并对客户和整体组织绩效产生了积极影响。建议：这项工作提供了一个有用的框架，用于研究和构建ML在数据仓库中的集成，这是从理论角度到实际仓库的过渡。它为组织提供了实用建议，并强调了与业务目标，数据质量，体系结构，安全和培训的选择相关的集成策略。本研究还设想了未来的趋势，例如边缘计算，汽车和可解释的AI，并提供了有关如何利用这种技术互补性的指南。生成的见解可帮助决策者和从业者了解利用ML-DATA仓库集成作为当代商业环境中转向数据驱动方法的战略资产的可能性。
一种全面的机器学习方法...
目的：本研究研究了数据仓库系统中机器学习（ML）的利用及其将在多大程度上改变商业智能和分析的程度。它旨在了解ML如何改进常规数据仓库系统以支持预测和预测。方法论：本研究使用文献综述以及案例分析。它讨论了使用数据仓库实施机器学习模型时可能出现的问题，例如与数据质量，可扩展性和实时处理有关的问题。该工作检查了诸如数据库内计算，特征存储和MLOP之类的集成模式。案例研究以证明在不同领域使用整合的价值。发现：将机器学习与DW系统相结合，在不同领域提供了显着优势。这种协同作用增强了分析能力，使组织在预测性和规范性分析中的缺点高于描述性分析。但是，这样的决定并不简单，因为它具有实现问题，例如数据质量问题，可伸缩性和实时处理问题。集成最佳实践包括数据库机器学习处理，功能商店和适当的MLOP实践。来自医疗保健行业，银行和金融服务，零售和制造行业的现实生活示例表明，这种整合为业务带来了运营增强，并对客户和整体组织绩效产生了积极影响。建议：这项工作提供了一个有用的框架，用于研究和构建ML在数据仓库中的集成，这是从理论角度到实际仓库的过渡。它为组织提供了实用建议，并强调了与业务目标，数据质量，体系结构，安全和培训的选择相关的集成策略。本研究还设想了未来的趋势，例如边缘计算，汽车和可解释的AI，并提供了有关如何利用这种技术互补性的指南。生成的见解可帮助决策者和从业者了解利用ML-DATA仓库集成作为当代商业环境中转向数据驱动方法的战略资产的可能性。