Vaishnavi Dalal
Pune, Inde
Vaishnavi Dalal
Développeur logiciel | Développeur IA & Full-Stack
Catégorie : Intelligence artificielle (IA)
Je suis développeur logiciel et IA avec de l’expérience en Python, C++, développement full-stack, développement backend et applications alimentées par l’IA. J’ai travaillé sur l’automatisation, l’analyse de journaux, les systèmes basés sur Linux et des projets d’apprentissage automatique via des stages et des projets techniques.
Je suis spécialisé dans la création de solutions pratiques et évolutives en utilisant Python, FastAPI, React, Next.js, Node.js, bases de données, Docker, et des technologies d’IA modernes telles que les LLM et RAG. Je peux aider avec des applications web, des API backend, des intégrations IA, l’automatisation, le débogage et des solutions logicielles personnalisées.
Je m’engage à écrire un code propre et fiable et à fournir des solutions répondant aux exigences des clients. Travaillons ensemble pour transformer vos idées en produits fonctionnels !
Je suis spécialisé dans la création de solutions pratiques et évolutives en utilisant Python, FastAPI, React, Next.js, Node.js, bases de données, Docker, et des technologies d’IA modernes telles que les LLM et RAG. Je peux aider avec des applications web, des API backend, des intégrations IA, l’automatisation, le débogage et des solutions logicielles personnalisées.
Je m’engage à écrire un code propre et fiable et à fournir des solutions répondant aux exigences des clients. Travaillons ensemble pour transformer vos idées en produits fonctionnels !
Horaires de travail
- Lundi:08h00 à 18h00
- Mardi:08h00 à 18h00
- Mercredi:08h00 à 18h00
- Jeudi:08h00 à 18h00
- Vendredi:08h00 à 18h00
- Samedi:Non disponible
- Dimanche:Non disponible
• A contribué à réduire le temps de diagnostic de Linux Cloud Agent de 82 % (de 30 à 5 minutes) en développant un auto
Outil de vérification de santé accouplé qui réalise 35+ installations, connectivité, TLS, configuration et validation de modules
Des chèques.
• A construit un analyseur de journaux alimenté par l’IA traitant 10 000+ entrées de journal Cloud Agent, réduisant le temps d’analyse de 87 %
(2 heures à moins de 16 minutes) et j’économise 15+ heures d’ingénierie par semaine grâce à une analyse intelligente de la cause profonde.
• Résolution de 15+ bugs d’application en investiguant les causes profondes, en mettant en œuvre des correctifs et en validant les solutions à travers
Composants Linux Cloud Agent.
• Création de flux de dépannage pour 5+ modules Linux Cloud Agent (VM, Conformité aux politiques, SWCA, FIM,
et EDR), automatisant 35+ contrôles de diagnostic, réduisant de 80 % le dépannage manuel et accélérant
résolution des problèmes pour les équipes d’ingénierie et de soutien.
Outil de vérification de santé accouplé qui réalise 35+ installations, connectivité, TLS, configuration et validation de modules
Des chèques.
• A construit un analyseur de journaux alimenté par l’IA traitant 10 000+ entrées de journal Cloud Agent, réduisant le temps d’analyse de 87 %
(2 heures à moins de 16 minutes) et j’économise 15+ heures d’ingénierie par semaine grâce à une analyse intelligente de la cause profonde.
• Résolution de 15+ bugs d’application en investiguant les causes profondes, en mettant en œuvre des correctifs et en validant les solutions à travers
Composants Linux Cloud Agent.
• Création de flux de dépannage pour 5+ modules Linux Cloud Agent (VM, Conformité aux politiques, SWCA, FIM,
et EDR), automatisant 35+ contrôles de diagnostic, réduisant de 80 % le dépannage manuel et accélérant
résolution des problèmes pour les équipes d’ingénierie et de soutien.
• A mené des recherches sur l’analyse des contraintes thermiques urbaines et la classification des zones climatiques locales (LCZ) pour le CME en utilisant
4 ensembles de données géospatiales : météo IMD, images MODIS & Landsat, et données de drones thermiques.
• Traité 20+ ans de données climatiques et géospatiales dans Google Earth Engine pour en déduire 5+ caractéristiques spatiales, notamment
Température de surface terrestre (LST), NDVI, NDBI, densité de végétation et LULC, permettant l’évaluation des contraintes thermiques et
Analyse des tendances de la température.
• Utilisation de modèles Random Forest, SVM et ANN pour la classification LCZ, atteignant une précision de validation de 83 % et
prévision des tendances futures de la température sur le campus jusqu’en 2050.
• Validation des modèles utilisant des tests ANOVA et des observations thermiques par drone, automatisant le prétraitement géospatial pour réduire
analyse manuelle de 40 % lors de la génération de cartes thermiques, de matrices de confusion, de tableaux de bord et de rapports exécutifs.
4 ensembles de données géospatiales : météo IMD, images MODIS & Landsat, et données de drones thermiques.
• Traité 20+ ans de données climatiques et géospatiales dans Google Earth Engine pour en déduire 5+ caractéristiques spatiales, notamment
Température de surface terrestre (LST), NDVI, NDBI, densité de végétation et LULC, permettant l’évaluation des contraintes thermiques et
Analyse des tendances de la température.
• Utilisation de modèles Random Forest, SVM et ANN pour la classification LCZ, atteignant une précision de validation de 83 % et
prévision des tendances futures de la température sur le campus jusqu’en 2050.
• Validation des modèles utilisant des tests ANOVA et des observations thermiques par drone, automatisant le prétraitement géospatial pour réduire
analyse manuelle de 40 % lors de la génération de cartes thermiques, de matrices de confusion, de tableaux de bord et de rapports exécutifs.
Merci de vous connecter en tant que client pour pouvoir donner votre avis
Besoin d'un service ?
Voulez-vous faire appel aux services de ce Professionnel ?
Postez votre mission et vous recevrez des dizaines de propositions de la part des Professionnels de la communauté.
