Matchmaking acara dan analitik feedback

• +40%

  Peningkatan relevansi pencarian dengan collaborative filtering

  Saya laporkan dalam CV; metode pengukurannya tidak tercatat.

  Dilaporkan sendiri

• -25%

  Penurunan waktu respons server setelah tuning PostgreSQL

  Saya laporkan dalam CV; tidak ada artefak yang tersedia untuk publik.

  Dilaporkan sendiri

• 96%

  Akurasi klasifikasi sentimen, dievaluasi pada 200 sampel berlabel

  Saya laporkan dalam CV; berdasarkan set evaluasi yang kecil.

  Dilaporkan sendiri

• +50%

  Peningkatan kecepatan analisis feedback lewat laporan harian yang diantrekan

  Saya laporkan dalam CV; tidak ada artefak yang tersedia untuk publik.

  Dilaporkan sendiri

Matchmaking untuk pameran dan acara dagang di Jublia membutuhkan hasil pencarian orang dan exhibitor yang lebih relevan. Analisis manual feedback NPS, CSAT, dan teks bebas setelah acara memakan terlalu banyak waktu.

• 01Saya memperbaiki peringkat hasil matchmaking dengan Elasticsearch dan collaborative filtering.
• 02Saya mengoptimalkan query PostgreSQL pada endpoint yang paling lambat.
• 03Saya membangun layanan sentimen dengan LangChain dan OpenAI untuk feedback NPS dan CSAT, lalu mengevaluasinya pada 200 sampel berlabel.
• 04Saya mengantrekan laporan sentimen harian dengan RabbitMQ, menghapus fitur Flask lama, dan menjalankan load test Locust.

• Elasticsearch
• PostgreSQL
• LangChain
• OpenAI
• RabbitMQ
• Flask
• Locust