Über den Service
ÜbersetztIch entwickle graphbasierte maschinelle Lernsysteme für Aufgaben, bei denen das Signal in Verbindungen und nicht in einzelnen Tabellenzeilen lebt. Wenn Ihre Benutzer, Konten, Geräte, Zahlungen oder Produkte ein dichtes Netzwerk von Beziehungen bilden, wird in einer flachen Tabelle das wertvollste Signal verworfen — wer mit wem verbunden ist. Ich entwerfe und trainiere graphneuronale Netzwerke, die diese Verbindungen direkt lesen, sodass das Modell über die Umgebung eines Knotens und die Pfade zwischen Knoten nachdenkt, anstatt vorzugeben, dass jeder Datensatz allein existiert.
Ich führe die gesamte Pipeline von Anfang bis Ende. Ich beginne mit dem Aufbau des Graphen: Rohprotokolle, Transaktionen und Kataloge in saubere Knoten und typisierte Kanten umzuwandeln, zu entscheiden, was eine Verbindung tatsächlich bedeutet und wie sie gewichtet werden soll. Dann stelle ich Knoten- und Kantenvorhersagemodelle zusammen, trainiere Einbettungen, die ähnliche Entitäten in der Nähe platzieren, und wähle eine Architektur — GraphSAGE, GAT, Nachrichtenübertragung, heterogene Graphen — die zu Ihren Daten passt, nicht zu einem Lehrbuchbeispiel. Ehrliche Bewertungen sind mir genauso wichtig wie Genauigkeit, daher richte ich undichte Splits, zeitliche Validierung und Basislinienmodelle ein, die ehrlich zeigen, ob der Graph einen Mehrwert bietet.
Die Bereitstellung ist Teil der Arbeit, kein netter Bonus später. Ich verpacke Modelle für Batch-Scoring oder latenzfreie Online-Inferenz, passe die Nachbarschaftsproben für große Graphen an und dokumentiere alles, damit Ihr Team das System selbst neu trainieren und erweitern kann. Typische Ergebnisse: Empfehlungssysteme, die den breiteren Kontext verstehen, Betrugserkennung, die ganze Systeme erfasst und nicht nur einzelne Täter, und eine Anreicherungsschicht, die graphbasierte Einbettungen an Ihre bestehenden Modelle liefert. Wenn Sie verknüpfte Daten haben und das Gefühl haben, dass die Antwort in den Verbindungen selbst verborgen ist, werde ich es beweisen und in die Produktion bringen.
Ich führe die gesamte Pipeline von Anfang bis Ende. Ich beginne mit dem Aufbau des Graphen: Rohprotokolle, Transaktionen und Kataloge in saubere Knoten und typisierte Kanten umzuwandeln, zu entscheiden, was eine Verbindung tatsächlich bedeutet und wie sie gewichtet werden soll. Dann stelle ich Knoten- und Kantenvorhersagemodelle zusammen, trainiere Einbettungen, die ähnliche Entitäten in der Nähe platzieren, und wähle eine Architektur — GraphSAGE, GAT, Nachrichtenübertragung, heterogene Graphen — die zu Ihren Daten passt, nicht zu einem Lehrbuchbeispiel. Ehrliche Bewertungen sind mir genauso wichtig wie Genauigkeit, daher richte ich undichte Splits, zeitliche Validierung und Basislinienmodelle ein, die ehrlich zeigen, ob der Graph einen Mehrwert bietet.
Die Bereitstellung ist Teil der Arbeit, kein netter Bonus später. Ich verpacke Modelle für Batch-Scoring oder latenzfreie Online-Inferenz, passe die Nachbarschaftsproben für große Graphen an und dokumentiere alles, damit Ihr Team das System selbst neu trainieren und erweitern kann. Typische Ergebnisse: Empfehlungssysteme, die den breiteren Kontext verstehen, Betrugserkennung, die ganze Systeme erfasst und nicht nur einzelne Täter, und eine Anreicherungsschicht, die graphbasierte Einbettungen an Ihre bestehenden Modelle liefert. Wenn Sie verknüpfte Daten haben und das Gefühl haben, dass die Antwort in den Verbindungen selbst verborgen ist, werde ich es beweisen und in die Produktion bringen.
