Nicolas Knudde

Nicolas Knudde is een natuurkundig ingenieur met een focus op computationele fysica met een doctoraat in machine learning, waar hij nieuwe toepassingen van gespecialiseerde machine learning en statistische modellen identificeerde, meer specifiek Gaussiaanse processen, en praktische machine learning-oplossingen leverde in veel door de industrie aangestuurde projecten. Hij heeft bewezen ervaring te hebben met het brengen van machine learning-modellen in productiesystemen en heeft ervaring met werken in een multiculturele en multidisciplinaire omgevingen.

Hij werd gekozen voor prestigieuze en competitieve stageplaatsen bij Amazon en JPMorgan. Bij Amazon deed hij onderzoek naar bayesiaanse technieken voor gebruik in propriëtaire markttoepassingen, in samenwerking met vooraanstaande experts in het veld, zoals professor Neil Lawrence. Bij JPMorgan Chase & amp; Hij formuleerde en programmeerde data-efficiënte machine learning-technieken voor schaars verhandelde producten op de Credit QR-afdeling, waarbij de deskundige kennis van financiële experts en handelaren werd geïntegreerd in intelligente besluitvormingssystemen en een echte praktische impact van machine learning-modellen en geavanceerde statistische analyse mogelijk werd door modellen samen met het team in productie te nemen, wat resulteert in 60% van de geautomatiseerde transacties.

Opleiding

Doctoraat in Computerwetenschappen, Machine Learning – Universiteit Gent
Master in Toegepaste Fysica – Universiteit Gent

Vaardigheden

Phython, TensorFlow, sklearn, MATLAB, linux, git
Aantoonbare ervaring met het introduceren van machine learning-modellen in productiesystemen
Uitgebreide kennis van Bayesiaanse modellering via doctoraatsstudies met toppublicaties
Expert in machine learning en statistische analyse met een gedegen academische opleiding

Kan je ons wat meer vertellen over hoe je dagelijks de visie van een klant probeert te vertalen in een praktische en realistische ML toepassing?

Vaak heb ik het gevoel dat AI en ML worden gepromoot door de media en bedrijven, omdat het momenteel een hot topic is. Echter, in vele gevallen ontbreekt het aan een directe toepassing, of echte impact. Ik zie het als onze taak om samen met onze klanten te gaan kijken waar de echte noden en opportuniteiten liggen in hun specifieke business. Hierbij speelt de technologie een grote rol, maar is dit echter ondergeschikt aan de concrete impact op efficientie en concurrentieel vermogen.

Welke tips zou je geven aan beginnende computerwetenschappers die zich ook willen verdiepen in ML & AI?

Er zijn veel degelijke cursussen specifiek gericht op ML en AI, zowel online als offline, die zeker nuttig zijn. Echter, specifiek voor starters zou ik willen aanraden om een brede basis op te bouwen bestaande uit statistiek, lineaire algebra en programmeren. Deze brede basis zal op lange termijn een hogere ROI opleveren.

Je hebt stage gelopen voor enkele grote multinationals zoals Amazon. Hoe verschilt de aanpak daar in vergelijking met een kmo zoals ML2Grow?

Grote multinationals, zeker in het geval van tech bedrijven, hebben vaak de middelen om veel te investeren in onderzoek dat geen directe ROI heeft. Dit ligt bij ML2Grow anders, waar er gefocust wordt op een duidelijk pad naar directe impact. De kennis bij een KMO is ook veel meer geconcentreerd: bij een multinational is er een werknemer voor elke deeltaak van projecten, waar bij ons vaak een of enkele personen verantwoordelijk zijn voor een volledig project. Dit laatste verhoogt de betrokkenheid bij het doel van de klant.

Aan wat spendeer je met plezier geld uit?

Ik ben over het algemeen geen big spender, en geef relatief weinig uit aan luxe-producten. Wel kan ik zondigen aan kwaliteitskoffie van de lokale koffiebranderij. Graag geef ik ook wel wat uit aan een degelijke online cursus over topics als economie en financiën.