Danielius Kostas

Duomenų mokslininkas, kuriantis prognozavimo modelius, išgyvenančius gamyboje

Duomenų mokslininkas su septynerių metų patirtimi kuriant prognozavimo ir optimizavimo sistemas, veikiančias gamyboje, o ne užrašinėse. Šiuo metu atsako už paklausos prognozavimą maisto prekių platformoje, kur modelio patobulinimai 140 parduotuvių sumažino greitai gendančių prekių nurašymą 18 procentų. Laisvai valdo visą kelią: problemos formulavimą, modeliavimą, diegimą ir stebėseną, kuri išlaiko sąžiningumą.

Vyresnysis duomenų mokslininkas, prognozavimas

Nuo 2022 m. kovo

Atsakau už parduotuvių lygmens paklausos prognozavimą, maitinantį 140 parduotuvių ir maždaug 30 000 prekių pozicijų papildymą.

  • Pakeičiau seną statistinę pipeline hierarchiniu gradient boosting modeliu, pagerinęs prekės lygmens WAPE nuo 34 iki 24 procentų.
  • Prognozių patobulinimai 18 procentų sumažino greitai gendančių prekių nurašymą ir 11 procentų trūkumus lentynose, apytiksliai 6 mln. eurų vertės per metus.
  • Sukūriau dreifo stebėseną ir automatinį atgalinį testavimą; tylūs modelio pablogėjimai aptinkami per valandas, o ne savaites.
  • Vedu ketvirtinę prognozių peržiūrą su tiekimo grandinės vadovybe, versdamas modelio elgseną į pirkimo sprendimus.
PrognozavimasGradient boostingMLOpsMažmeninė prekyba

Duomenų mokslininkas

2019 m. rugsėjis - 2022 m. vasaris

Trumpalaikis apkrovos ir atsinaujinančių šaltinių prognozavimas energijos tiekėjui, balansuojančiam 400 MW portfelį.

  • Pagerinau kitos dienos apkrovos prognozės MAPE nuo 4,1 iki 2,9 procento, taip balansavimo sąnaudas sumažinęs maždaug 1,2 mln. eurų per metus.
  • Sukūriau tikimybinį saulės gamybos modelį, kurį prekybos padalinys naudoja pozicijų dydžiui dienos eigoje.
  • Įdiegiau feature store principus, sutrumpinusius naujo modelio iteraciją nuo savaičių iki dienų.
Laiko eilutėsTikimybinis prognozavimasEnergijos rinkos

Duomenų analitikas

2017 m. spalis - 2019 m. rugpjūtis

Klientų ir asortimento analitika mažmeninės prekybos klientams.

  • Sukūriau klientų pasitraukimo vertinimo modelį telekomunikacijų klientui, pakėlusį išlaikymo kampanijos konversiją 2,3 karto, palyginti su atsitiktiniu taikymu.
  • Automatizavau savaitinių klientų ataskaitų sistemą, taip atlaisvinęs maždaug vieną analitiko dieną per savaitę.
PythonSQLPasitraukimo modeliavimas

reconcile-ts

Nuo 2023 m. birželio

Python biblioteka, įgyvendinanti MinT ir bottom-up derinimą su scikit-learn suderinama sąsaja.

  • Daugiau nei 700 GitHub žvaigždučių; pagal naudotojų pranešimus naudojama bent keturiose gamybinėse mažmeninės prekybos prognozavimo sistemose.
  • Palyginamųjų testų rinkinys atkartoja paskelbtus derinimo rezultatus trijose viešose duomenų aibėse.
Atvirasis kodasPythonPrognozavimas

Vilniaus ML prognozavimo dirbtuvės

Nuo 2024 m. rugsėjo

Praktinės vakarinės dirbtuvės apie prognozavimą gamyboje, vykstančios du kartus per metus vietos duomenų bendruomenėje.

  • Keturiose grupėse apmokiau daugiau nei 90 praktikų, vidutinis įvertinimas 4,8/5.
  • Visa medžiaga atvirojo kodo, įskaitant tikrovišką sintetinę maisto prekių duomenų aibę.
MokymasBendruomenė

Taikomosios matematikos ir duomenų mokslo magistras

2015 m. rugsėjis - 2017 m. liepa

Magistro darbas apie hierarchinio derinimo metodus mažmeninės paklausos prognozavime.

Laiko eilutėsOptimizavimasStatistika

Matematikos bakalauras

2012 m. rugsėjis - 2015 m. birželis
Tikimybių teorijaSkaitiniai metodai

Visą kelią apimantis ML rinkinys nuo požymių kūrimo iki stebėsenos gamyboje.

Python (pandas, scikit-learn)Gradient boosting (LightGBM, XGBoost)Laiko eilučių prognozavimasTikimybinis modeliavimasSQL ir dbtAirflowMLflow ir eksperimentų sekimasModelių stebėsena ir dreifo aptikimasSparkKomunikacija su suinteresuotosiomis šalimis

Dirba angliškai kalbančiose komandose; gimtoji kalba lietuvių.

Lietuvių (gimtoji)Anglų (C1)Rusų (B2)

Professional Cloud ML Engineer

Išduota 2024 m. sausį

Sertifikatas, apimantis ML pipeline projektavimą, diegimą ir stebėseną valdomoje debesijos infrastruktūroje.

MLOpsDebesija