Bram De Wit

Ik heb als data/AI consultant:

Bedrijven over de wereld geconsulteerd over hun lange termijn data strategie, i.e. het opzetten van een data lake of warehouse, waarop dashboards gebouwd konden worden in Tableau, PowerBI. Het doel was om de strategie ook zo op te zetten dat het mogelijk werd om AI applicaties te kunnen maken en inzetten.

Een service gemaakt die 60.000+ documenten per jaar gestructureerd verwerkt door middel van GPT-4.

Een service gemaakt die duizenden documenten per jaar automatisch verwerkt met een in-house getraind LayoutLM model. Ook werd fraude gedetecteerd op basis van computer vision.

AI strategie van bedrijven vormgegeven en bestaande AI/data strategieën geconsulteerd

Bedrijven geholpen ChatGPT te integreren in hun workflow

Machine learning projecten gemigreerd naar AzureML

Ik was eindverantwoordelijk voor projecten, maakte uur inschattingen, zette de sprints uit en nam deel aan klantgesprekken om de requirements neer te zetten en de technische haalbaarheid van projecten in te schatten.

Technical stack: Gitlab, Gitlab CI/CD, AzureML, Docker, Python, Docker, Celery, PyTorch, OpenAI API, Scikit-Learn, Pandas, NumPy, OpenCV.

Ik ben in de rol van Lead AI Engineer gegroeid bij ACS. Ik ben verantwoordelijk voor zowel het uitzetten van de lange termijn AI visie/roadmap en het realiseren van deze strategie. Bij ACS zoek ik naar data-gedreven oplossingen om het energieverbruik van de gebouwde omgeving te verlagen. Bij ACS gaat dit vooral over het optimaliseren van klimaatinstallaties in gebouwen. Ik ben verantwoordelijk voor het gehele proces, van onderzoek tot implementatie (1 van de projecten is ook gepubliceerd). Een paar voorbeelden van AI projecten:

Automatische detectie van instabiele klimaatinstallaties gebaseerd op sensor data

Het simuleren van dynamische processen binnen het gebouw met deep learning

Optimale regelstrategieën leren op basis van deze simulaties

Anomaly detectie op basis van specifieke equipments en hun sensor data

Het optimaal tunen van PID controllers op basis van historische data

De technieken die we op dagelijkse basis gebruiken in onze productie omgeving zijn Model-Predictive control, Imitation Learning, Reinforcement Learning, Deep Learning, Linear Regression, en Genetic Algorithms.

Ik heb een cloud infrastructuur ‘from scratch’ gebouwd voor het trainen van AI modellen in een productieomgeving, en ben verantwoordelijk voor het verbeteren en onderhouden van deze service. De infrastructuur is geïntegreerd met de webapplicaties zodat gebruikers AI modellen kunnen configureren, trainen en gebruiken voor hun specifieke gebouw. De infrastructuur is gebouwd met welbekende frameworks zoals PyTorch, scikit-learn, pandas, InfluxDB, MySQL, en ONNX.

Samen met een collega heb ik het ONNX protocol in Go geïmplementeerd, om de getrainde AI modellen te kunnen deployen op de edge devices van ACS (deze draaien lokaal in het gebouw). Het project hebben we open source beschikbaar gemaakt.

Ik heb meerdere microservices opgezet voor data integratie, zoals bijvoorbeeld een integratie met een weer API die periodiek weerdata met voorspellingen ophaalt en wegschrijft in eigen database.

Alle use cases voor AI heb ik aan gewerkt vanaf het onderzoek in Jupyter Notebooks tot de implementatie in de volledige stack van ACS, ofwel de frontend, backend, edge devices en de training service in de cloud.

Technical stack: GitLab, GitHub, Typescript, Javascript, Python, Go, Docker, PyTorch, Scikit-Learn, NumPy, Pandas, Tensorflow, ONNX, GitLab CI/CD, MLFlow, Redis, InfluxDB, MySQL, Flask, Backbone, Marionette, React.

- Als data analyst bij IN2-PSY hielp ik het leiderschapsteam met het maken van datagedreven beslissingen. Ik combineerde data uit verschillende bronnen (financieel, EPD, etc).

- Over tijd heb ik een dashboard gebouwd dat periodiek de resultaten met nieuwe data liet zien. Deze werd gebruikt door de bestuurder en het management team om datagedreven beslissingen te maken. Ik heb gekozen om dit dashboard te bouwen met Dash, Plotly en pandas.

- Ik heb een datamigratie begeleid tussen twee EPDs. Ik heb hier de transformaties van SQL tabellen geschreven in python, zodat op de dag van migratie alle data in één keer overgezet kon worden, zonder dataverlies.