Machine Learning Engineer

• Fine-tuned CosyVoice TTS models on proprietary datasets for 30 distinct speakers, improving voice quality and speaker consistency
• Built a scalable inference service using Ray and FastAPI for low-latency text-to-speech generation
• Implemented Speaker diarization pipelines for long-form audio, enabling accurate segmentation and extraction of individual speaker voices
• Conducted experimental work on speech-to-speech systems by fine-tuning the Moshi pipeline; replaced base model (Helium) with Qwen3 for improved flexibility (project in progress)
• Fine-tuned Qwen Image Edit on custom paired (before/after) datasets for image editing
• Fine-tuned text-to-image diffusion models (FLUX, Stable Diffusion XL) and implemented DreamBooth for subject-driven generation using Hugging Face

TTEK Inc. focuses on creating and implementing innovative technologies to enhance the efficiency of customs and border processing.

• Used Large Language models with advanced prompting techniques for text to sql. Created one LLM agent in order to do entity extraction. Then used output of that agent in SQL agent in order to create an sql query.
• Utilized advanced Prompting techniques with LLMs (gpt4-o and Claude) to extract valuable insights from diverse data sources in order to create risk rules in customs.
• Created an LLM Agent using an LLM (gpt4-o) together with serper api in order to predict the NAICS code for a given company name.
• Used LLMs for price prediction.
• Designed a dual-head classification model leveraging the BERT LLM architecture for precise categorization of products into Harmonized System (HS) codes.
• Built a Named Entity Recognition (NER) model to extract product names from descriptions, using BERT based LLM for token classification.

• Arbetade med research och utveckling.
• Utvecklade en REST-server för Autocorrect-modulen och säkrade smidiga och effektiva funktioner.
• Använde OPTUNA för automatisk justering av hyperparametrar, optimerade effektiviteten i modeller och algoritmer.
• Använde förklarbara AI-tekniker, däribland verktyg som Captum, Lime och SHAP för att tillhandahålla begripliga insikter för modellprognoser och beslutsprocesser.
• Finjusterade BERT-modeller för uppgifter med intent classification, förfinade modellernas resultat för specifika uppgifter vad gäller förståelse av sammanhang.
• Implementerade en PyTorch-baserad DIET-klassificerare från grunden för att möjliggöra bred avsiktsigenkänning och klassificering.
• Genomförda experiment med RASA:s konversations-AI med öppen källkod för att utforska funktionerna och möjliga tillämpningar.
• Utforskade end-to-end-dialogmodeller med hjälp av Language Models (LLM), för att undersöka effektiviteten och resultaten hos uppgifter med konversations-AI.

Voiceloft, an Azerbaijan-based platform that promotes the development of speech recognition technologies by collecting voice data.

• Fully responsible for the ML projects;

• Working on ASR model and leading 2 interns on NLP tasks;

• Fine-tuned Wav2Vec2 baseline model with our dataset.

• Arbetade på FoU och dataanalys.
• Tillämpade en modell för sentimentanalys från start till deployment med hjälp av Python, PyTorch, scikit-learn, Docker och Flask.

• Ansvarade ensam för att övervaka och hantera hela livscykeln för ML-projekt.
• Implementerade framgångsrikt en banbrytande azerbajdzjansk tal-till-text-modell med hjälp av Kaldi toolkit och Python.
• Utvecklade en azerbajdzjansk text-till-tal-modell med hjälp av Tacotron2 och parallel vegan model för syntes i PyTorch.

• Fully responsible for the ML projects and crawlers;

• Applied Generic Crawler to get data from any news page, even if they change their design;

• Built the ETL process, getting news data from 200 different Azerbaijani news channels;

• Applied Similarity Detection, Text Categorization, NER, Sentiment;

• Analysis, Keyword Extraction, Summarization to those data;

• Finished Projects: aqreqator.az.