Jawad Amir

Jurutera AI dengan pengalaman 6+ tahun dalam perisian produksi, dengan tiga tahun terakhir tertumpu pada sistem LLM dan berbilang ejen. Kini membangunkan platform analitik berbilang ejen di Anlytic berasaskan Anthropic Claude dan Amazon Bedrock AgentCore, yang digunakan setiap hari oleh pasukan perniagaan bukan teknikal; sebelum ini membangunkan AI klinikal di IQVIA yang mengurangkan masa penyelidikan untuk klinisyen yang sedang beramal sebanyak 40%. Saya mengendalikan keseluruhan proses daripada perbualan dengan pelanggan hingga penggunaan produksi yang terkawal dan boleh diperhatikan, menggunakan Python, TypeScript, .NET, AWS dan Azure.

Jurutera AI Kanan - Anlytic - Dubai (remote)

(2026-02)

Platform analitik AI berbilang ejen — digunakan setiap hari oleh pengguna perniagaan bukan teknikal untuk membina papan pemuka dan membuat pertanyaan data dalam bahasa Inggeris biasa

• Membangunkan lapisan ejen platform berasaskan Anthropic Claude dan Vercel AI SDK: penyelarasan berbilang ejen yang menggunakan pengelas niat Claude Haiku untuk menghalakan setiap pertanyaan kepada ejen khusus bagi penjanaan carta, penyuntingan papan pemuka, pengurusan data dan soal jawab analitik — penghalaan model yang memastikan model murah digunakan untuk pengelasan dan model lebih besar dikhaskan untuk penjanaan.
• Menghapuskan kesesakan analisis untuk pelaporan rutin: pengguna tanpa latar belakang SQL atau BI membina papan pemuka dalam bahasa Inggeris biasa merentas 8 jenis carta, dengan ejen menjana keseluruhan konfigurasi carta dan pertanyaan data dari awal hingga akhir sebagai output berstruktur yang dikekang skema (Zod kepada JSON Schema), supaya setiap carta yang dijana sah secara binaan.
• Melancarkan ejen soal jawab analitik menggunakan RAG agentik: bukannya menggunakan indeks vektor yang lapuk, ejen mendapatkan data ruang kerja secara langsung — katalog, skema jadual dan keadaan papan pemuka — melalui panggilan alat ketika pertanyaan dibuat, supaya jawapan berasaskan perkara yang benar-benar ditunjukkan oleh data pada masa itu.
• Mengurangkan perbelanjaan API LLM sebanyak 60-70% melalui kejuruteraan konteks: membuang penerangan skema alat sebelum penghantaran dan meringkaskan hasil panggilan alat yang lapuk daripada sejarah mesej — sekali gus mengurangkan kos penyampaian bagi setiap pengguna secara langsung apabila platform berkembang.
• Membangunkan gerbang keluaran untuk penilaian ejen: harness hermetik (evalite) menjalankan 350+ senario yang dinilai terhadap tiruan API produksi dalam proses, memarkahkan penyelesaian tugas, halusinasi, trajektori panggilan alat dan kecekapan langkah dalam satu keputusan lulus/gagal CI — regresi prompt dan model dikesan sebelum pelanggan mengalaminya.
• Memindahkan lapisan alat yang dibangunkan sendiri ke Amazon Bedrock AgentCore Gateway, mendedahkan titik akhir REST dan fungsi Lambda sedia ada sebagai alat MCP tanpa menulisnya semula — mengurangkan proses penerimaan keupayaan baharu daripada beberapa hari kepada beberapa jam.
• Memperkukuh platform daripada suntikan prompt: menggantikan perlindungan pada peringkat prompt dengan dasar Cedar di gateway, supaya ejen yang telah diceroboh sekalipun tidak dapat memanggil alat di luar kebenarannya — keselamatan ejen dikuatkuasakan secara deterministik dalam infrastruktur, bukannya dirundingkan dengan model.
• Memindahkan armada ejen ke AgentCore Runtime (pengasingan setiap sesi, permulaan sejuk pantas) dan AgentCore Memory (keutamaan dan dapatan dikekalkan merentas sesi dan ejen) — menghentikan penyelarasan yang diurus sendiri dan membolehkan kerja analitik yang berjalan lama melepasi had tamat masa lama.
• Melengkapkan setiap pelaksanaan dengan kebolehcerapan ejen (AgentCore Observability, OpenTelemetry): jejak penuh panggilan alat dan penaakulan perantaraan menukar tiket 'AI melakukan sesuatu yang pelik' menjadi insiden yang boleh didiagnosis.
• Menambah kelulusan human-in-the-loop (HITL) untuk perubahan skema, suntingan baris dan pemadaman — ejen menyediakan perubahan untuk semakan pengguna sebelum pelaksanaan, menjadikan platform selamat untuk akaun perusahaan yang sensitif terhadap data.

Jurutera Perisian AI (sambilan) - Autonomix — Donna AI - Denmark (remote)

(2024 - 2025)

Pembantu eksekutif AI multimodal — 76 alat AI merentas 9 domain perniagaan

• Jurutera teras bagi Donna, pembantu eksekutif AI yang mengautomatikkan aliran kerja e-mel, Slack, WhatsApp dan kalendar, dibina menggunakan Claude Agent SDK dengan suara ElevenLabs dan avatar HeyGen.
• Mereka bentuk sistem memori progresif (Python, Django, Celery, ringkasan LLM) yang memadatkan aktiviti mentah pengguna menjadi profil tersusun, mengekalkan kos memori bagi setiap permintaan hampir malar apabila sejarah bertambah.
• Membangunkan RAG agentik merentas komunikasi berbilang platform: embedding OpenAI, carian hibrid pgvector, pengambilan graf Neo4j dan gabungan kemutakhiran untuk jawapan yang tepat dari segi konteks.
• Melaksanakan kecerdasan hubungan dengan penyelesaian entiti Neo4j, pemarkahan RFM dan pemprofilan personaliti LLM supaya Donna mengutamakan kenalan utama dan menyesuaikan nada mengikut hubungan.

Jurutera Perisian Kanan - IQVIA (Fortune 500) - Durham, NC (remote)

(2024-09 - 2026-02)

Sokongan keputusan klinikal AI dan platform data kesihatan perusahaan

• Membangunkan saluran paip RAG merentas jutaan makalah perubatan dan kajian klinikal menggunakan Azure OpenAI (GPT-4) dan Pinecone; masa penyelidikan klinisyen menurun kira-kira 40%.
• Melancarkan sistem sokongan keputusan klinikal yang memaparkan saranan rawatan berasaskan bukti dan amaran interaksi ubat dalam aliran kerja harian klinisyen.
• Menambah pengesanan anomali berasaskan ML pada saluran paip data percubaan klinikal, meningkatkan ketepatan data sebanyak 35% dan mengurangkan semakan manual untuk pematuhan kawal selia.
• Menerajui pembangunan perkhidmatan mikro perusahaan pada .NET 8 (Clean Architecture, CQRS/MediatR, DDD) yang menyediakan berjuta-juta rekod pesakit, digunakan pada AWS EKS dengan Docker, Kubernetes dan GitHub Actions.
• Membangunkan penyelesaian lapangan iOS berkeupayaan luar talian pada DuckDB/SQLite untuk kawasan yang mempunyai sambungan rangkaian rendah dan mengintegrasikan OLAP Snowflake untuk set data klinikal yang besar, sekali gus mengurangkan kos AWS.

Jurutera Perisian - Selise - Zurich (remote)

(2019 - 2024)

Penyampaian terbenam bersama pelanggan untuk perusahaan Eropah — 5+ projek disiapkan dari awal hingga akhir

• Mencipta papan pemuka metrik perniagaan boleh konfigurasi dari awal untuk pelanggan perusahaan Eropah; produk tersebut menjana kira-kira $2M hasil merentas pasaran Eropah.
• Membangunkan Hub System pertanyaan berbilang peringkat berasaskan perkhidmatan mikro untuk storan data heterogen, meningkatkan hasil tahunan sebanyak 10%; melaras RabbitMQ untuk mengurangkan separuh kependaman pemesejan dan meningkatkan daya pemprosesan puncak sebanyak 12x.
• Menyampaikan 5+ projek pelanggan dari awal hingga akhir (Angular, ASP.NET, MongoDB, Azure), termasuk aplikasi perkhidmatan mikro fintech pada Docker/Kubernetes dan dompet blockchain .NET/Nethereum.

B.Sc. - Sains Komputer & Kejuruteraan - Rajshahi University of Engineering & Technology (RUET) (2015 - 2019)