张欣耕 (Shane Zhang)

新泽西州拉瑟福德

• 使用Python构建了快速的结构化数据处理管道，将每份文档的处理时间从10秒减少到1秒以内，文档处理效率提高了90%。
• 使用Python FastAPI设计和加速了一个强大的RESTful API，用于实时数据摄取和NLP处理到Postgres SQL数据库，支持每天超过100万次API调用。
• 使用OpenShift和Apache Spark部署了规模化解决方案，在120天内实现了零停机的CI/CD流程。
• 利用Python和LangChain构建了高级代理式RAG系统和知识图谱（RDF和LPG格式），提高了全球检索的准确性，将AI驱动的合规分析的F1分数从0.32提高到0.71。
• 使用LangChain和RAGAS实现了评估指标和可视化，确保LLM质量，将幻觉率降低了30%，错误调查时间减少了60%。
• 使用OpenAI GPT、Claude和Google Gemini模型，并微调开源LLM模型，开发了定制化和可扩展的代理式RAG系统，每天处理超过20万次API调用。
• 开发了以人为中心的评估框架（RLHF），用于评估LLM在现实场景中的表现，持续确保与2000多名活跃用户的意图保持一致。
• 在AWS上部署了可扩展的AI驱动RAG系统，使用S3、EC2、Glue、Lambda、SageMaker和Bedrock进行高效的数据处理和LLM集成管道。
• 开发并部署了FastAPI接口和gRPC协议，用于在Azure和AWS等云提供商之间进行高效的API集成。

新泽西州新不伦瑞克

• 使用Python、NumPy、Pandas、JavaScript、SQL和Chroma向量数据库设计、构建并部署了一个代理式RAG系统，自动化解析和总结了超过5000份研究文档。
• 使用OpenAI和React框架构建了一个高级代理式RAG系统，将入职时间减少了50%，研究效率提高了40%。
• 与15名学术研究人员组成的跨职能团队合作，将200多个反馈点整合到NLP系统中，使平台与当前和未来的研究目标保持一致。
• 每月为10多名员工举办ML使用研讨会，实现了80%的ML增强工作流程在组织中的采用率。
• 使用AWS SageMaker进行模型微调，并使用AWS Bedrock在生产环境中提供服务。

加利福尼亚州旧金山

• 使用Python PyTorch（C++ CUDA）将NLP驱动的功能集成到Node.js后端，实现了实时文本生成和摘要功能，响应时间减少了70%。
• 使用Python PySpark、NumPy和Pandas进行数据预处理和数据探索，确保高质量的数据集成，使用PyTorch分布式将模型训练结果提高了20%。
• 通过TensorRT的量化和剪枝技术优化了深度学习模型，推理延迟减少了40%。
• 使用Neo4j和Cypher查询构建了一个语义图数据库，用于存储和查询复杂关系，数据检索效率提高了60%。