• Working on the Prime Video team to build efficient and scalable financial systems in the FinTech world.

• Architected and deployed a multi-agent system in production, applying generative modeling and agent orchestration to complex accounting workflows, reducing unbooked transactions by 83% and increasing team efficiency by ~20%.

• Delivered and deployed end-to-end software and ML-enabled features under production latency and correctness constraints, delivering projects linked to over $10B in realized revenue.

• Sviluppato un innovativo modello di raccomandazione sequenziale multimodale che sfrutta tecniche di NLP e visione artificiale, raggiungendo un miglioramento medio del 33% rispetto ai benchmark più avanzati su metriche come Recall@K e NDCG@K.

• Affrontato sfide critiche nei sistemi di raccomandazione, superando i benchmark di 0,29 punti NDCG@10 in scenari di cold start e migliorando la generalizzazione cross-domain di 0,14 punti NDCG@10 in scenari di trasferimento zero-shot.

• Ottimizzato framework di dati per modelli paralleli e distribuiti su cluster GPU, migliorando la scalabilità e l'efficienza di modelli di machine learning su larga scala, comunicando chiaramente idee complesse ai supervisori in modo intuitivo.

• A réduit le temps de prétraitement des données de 2 % en mettant en œuvre des pipelines de nettoyage automatisés, ce qui permet d'obtenir des informations et de prendre des décisions plus rapidement.

• A développé et formé des modèles d'apprentissage automatique pour prédire les taux d'inscription.

• A collaboré avec une équipe de data scientists seniors tout au long du stage afin de renforcer d'acquérir des connaissances cruciales.

• Ha guidato una trasformazione digitale aumentando le transazioni senza carta di oltre il 12% e sfruttando strumenti come Python e SQL per archiviare ed estrarre dati.

• Ha analizzato i dati di oltre 2000 utenti sfruttando librerie Python come pandas, PySpark e PyTorch con Databricks e ha utilizzato i risultati per aumentare la soddisfazione degli utenti di circa il 7% con l'aiuto di un team di stagisti.

• Ha fatto da mentore a più di 10 dipendenti nell'uso di strumenti di estrazione dei dati come Excel e SQL.

• Ha eseguito un'analisi predittiva sfruttando gli strumenti di analisi dei dati per implementare un modello di ML che rileva in anticipo anomalie e difetti nel sistema, con un conseguente aumento dell'8% dei tassi di fidelizzazione dei clienti.

• Ha sfruttato le tecniche di regressione per prevedere quali clienti hanno maggiori probabilità di cambiare, aumentando la soddisfazione del 7%.

• Coordinato con altri 3 dipartimenti per assicurarsi che il processo scorra senza intoppi e che tutti siano sulla stessa pagina.