Might be available
(Updated 2020-09-24)Utvikler/Data Scientist
Bergen, Norge
Native Norwegian, English, Beginner German
- 5+ års erfaring med Azure, SQL og NoSQL
- 5+ års erfaring med Python, Pandas, Scikit, ML
- 10+ års erfaring med Java
Skills (57)
C#
DATA SCIENCE
MODELLER
PIPELINE
ARKITEKTUR
API
Node.js
PROTOTYPING
OWL
XML
METADATA
BYBANE
SYSTEM DEVELOPMENT
Scada
JSON
PROGNOSER
VISUAL STUDIO
Python
Git
HTML
.NET
MOBIL
STATISTIKK
VERKTØY
Excel
Hadoop
HDFS
KLINISKE STUDIER
PROLOG
FRONT-END
TESTING
Business Intelligence
SELGER
OMSORG
HOVEDSAK
SENSORER
MARKEDET
FORDRINGER
LISP
AKUSTIKK
VEDLIKEHOLD
MENTOR
SALGS
Service
SVARE
SMART
RAPPORTER
Hadoop
TJENESTER
RENGJØRING
SAMME
MASKINVARE
EMBALLASJE LINJE
BRANNALARM
LÆRING
SATT
STYRING
Professional Experience
Utvikler & Data Scientist
Bouvet ASA
2017-03 - 2020-10
Arkitekt
Dataplattform
2019-06 - 2020-10
06.2019 - 10.2020
Prosjekt: Hensikten med dette prosjektet var å utvikle en skybasert "Big Data" plattform hvor en rekke
ulike datakilder løftes opp. Hensikten var å ha en datahub hvor datene er let tilgjengelig, samt
man kan prosessere dataene etter behov. Her står Datalake og Databricks helt sentralt i Arkitekturen. Dataene er et viktig grunnlag for "Business Intelligence". Avanserte modeller
skal bl.a. bidra med å predikere nødvendig vedlikehold og trigge arbeidsordre. Operasjonell
data fra Bybanen utgjør grunnlaget for analyse mht å optimalisere ulike prosesser og beslutningstaking.
Rolle: Arkitekt, Utvikler
Prosjekt: Hensikten med dette prosjektet var å utvikle en skybasert "Big Data" plattform hvor en rekke
ulike datakilder løftes opp. Hensikten var å ha en datahub hvor datene er let tilgjengelig, samt
man kan prosessere dataene etter behov. Her står Datalake og Databricks helt sentralt i Arkitekturen. Dataene er et viktig grunnlag for "Business Intelligence". Avanserte modeller
skal bl.a. bidra med å predikere nødvendig vedlikehold og trigge arbeidsordre. Operasjonell
data fra Bybanen utgjør grunnlaget for analyse mht å optimalisere ulike prosesser og beslutningstaking.
Rolle: Arkitekt, Utvikler
Utvikler, Data Scientist
Norge. Målet
2020-08 - 2020-09
08.2020 - 09.2020
Prosjekt: Dette prosjektet sikter på å finne forklaringsvariablene som forårsaker nedklassing av storfisk fra vannbaserte oppdrettsanlegg rundt om i Norge. Målet var å indentifisere de viktigste årsakene som bidrar til skade og dårlig kvalitet på fisken. I prosjektet hentes det bl.a. inn klimatologisk data
som sammenstilles med operasjonelle data og består av både kategoriske og numeriske data,
f.eks. vaksinetype, fôr, temperatur i vannet, tetthet osv. Dataene blir prosessert og utgjør
grunnlag for videre analyse. Videre bli det bl.a. gjort utforskende analyse vha visualiseringer,
korrelasjonsanalyse, regresjonsanalyse, variansanalyse mm.
Rolle: Utvikler, Data Scientist
Prosjekt: Dette prosjektet sikter på å finne forklaringsvariablene som forårsaker nedklassing av storfisk fra vannbaserte oppdrettsanlegg rundt om i Norge. Målet var å indentifisere de viktigste årsakene som bidrar til skade og dårlig kvalitet på fisken. I prosjektet hentes det bl.a. inn klimatologisk data
som sammenstilles med operasjonelle data og består av både kategoriske og numeriske data,
f.eks. vaksinetype, fôr, temperatur i vannet, tetthet osv. Dataene blir prosessert og utgjør
grunnlag for videre analyse. Videre bli det bl.a. gjort utforskende analyse vha visualiseringer,
korrelasjonsanalyse, regresjonsanalyse, variansanalyse mm.
Rolle: Utvikler, Data Scientist
Utvikler, Azure Arkitekt
Bergen Kommune
2020-05 - 2020-09
- Lungegårdsvannet
05.2020 - 09.2020
Prosjekt: Prosjektet tar for seg utvikling av "datasjøen" til Bergen kommune, hvilket er en større
dataplattform. Datasjøen består av ulike prosjekter som deler infrastruktur i Skyen. Det er en
rekke ulike datakilder som integreres i Azure, og som blir benyttet til ulike formål, f.eks.
grunnlag for Power BI rapporter ifm Business Intelligence, applikasjoner, og API'er.
Prosjekter i Datasjøen.
- Innhenting og analyse av sensordata for vann- og avløpsetaten/Bergen Vann
- Moblitetslaboratorium for utvikling av smarte transportløsninger (MUST)
- Badetemperatur i Bergen kommune
4/9
- 1000 bygg - 10 000 Muligheter
- Pasientflyt ved Bergen legevakt
- Smart Omsorg: Plassadministrasjon ved sykehjem
- Innhenting og analyse av værdata
- Vannlekasjer: tilrettelegging av data for prediktiv analyse
1000Bygg prosjektet hadde Trond hovedansvar for. Her skulle det utvikles en webapplikasjon
for å visualisere temperatur og CO2-nivå i ulike rom i ulike bygg, vha tekst og heatmap. Det
hentes sensor data fra de respektive byggene. F.eks. dersom en brannalarm var utløst skulle
dette også vises i kartløsningen med plantegninger. Løsningen skulle også vise waypoint fra
Brannoppstillingsplass til rommet brannalarm var utløst. Applikasjonen ble utviklet med Node.js og React. Mazemap API ble brukt som kartløsning.
Rolle: Utvikler, Azure Arkitekt
05.2020 - 09.2020
Prosjekt: Prosjektet tar for seg utvikling av "datasjøen" til Bergen kommune, hvilket er en større
dataplattform. Datasjøen består av ulike prosjekter som deler infrastruktur i Skyen. Det er en
rekke ulike datakilder som integreres i Azure, og som blir benyttet til ulike formål, f.eks.
grunnlag for Power BI rapporter ifm Business Intelligence, applikasjoner, og API'er.
Prosjekter i Datasjøen.
- Innhenting og analyse av sensordata for vann- og avløpsetaten/Bergen Vann
- Moblitetslaboratorium for utvikling av smarte transportløsninger (MUST)
- Badetemperatur i Bergen kommune
4/9
- 1000 bygg - 10 000 Muligheter
- Pasientflyt ved Bergen legevakt
- Smart Omsorg: Plassadministrasjon ved sykehjem
- Innhenting og analyse av værdata
- Vannlekasjer: tilrettelegging av data for prediktiv analyse
1000Bygg prosjektet hadde Trond hovedansvar for. Her skulle det utvikles en webapplikasjon
for å visualisere temperatur og CO2-nivå i ulike rom i ulike bygg, vha tekst og heatmap. Det
hentes sensor data fra de respektive byggene. F.eks. dersom en brannalarm var utløst skulle
dette også vises i kartløsningen med plantegninger. Løsningen skulle også vise waypoint fra
Brannoppstillingsplass til rommet brannalarm var utløst. Applikasjonen ble utviklet med Node.js og React. Mazemap API ble brukt som kartløsning.
Rolle: Utvikler, Azure Arkitekt
LoVe
2017-06 - 2020-08
Prosjekt: I dette prosjektet er det utviklet en løsning for håndtering av data fra et Ocean Observatory.
Et sett med undersjøiske mini-rigger er plassert flere steder i Lofoten, Vesterålen (LoVe) med det formål å overvåke havet og økosystemet i området. Riggene er utstyrt med topp moderne
sensorer og maskinvare for registrering av ulik data som ekkogram, ekkolodd, akustikk, strøm,
turbiditet etc. Dataene blir sendt videre til en nærliggende datahub/senter, der alle dataene
7/9
blir behandlet og overført til skyen. Videre er det utviklet en big data arkitekturløsning i Azure med det formål å innta og behandle alle sensordataene. Dataene blir visualisert i et dashbord
på en nettsidesløsning og noe data blir tilgjengeliggjort gjennom API.
Et sett med undersjøiske mini-rigger er plassert flere steder i Lofoten, Vesterålen (LoVe) med det formål å overvåke havet og økosystemet i området. Riggene er utstyrt med topp moderne
sensorer og maskinvare for registrering av ulik data som ekkogram, ekkolodd, akustikk, strøm,
turbiditet etc. Dataene blir sendt videre til en nærliggende datahub/senter, der alle dataene
7/9
blir behandlet og overført til skyen. Videre er det utviklet en big data arkitekturløsning i Azure med det formål å innta og behandle alle sensordataene. Dataene blir visualisert i et dashbord
på en nettsidesløsning og noe data blir tilgjengeliggjort gjennom API.
Mentor, Tech Lead
Bybanen
2019-06 - 2020-05
- Bybanen Live
06.2019 - 05.2020
Prosjekt: Hensikten med prosjektet var å utvikle en løsning som viser Bybanevognene, passasjertall og driftsmeldinger, live på et kart hvor hele Bybane traséen vises (Bybanensanntid.no). Det
5/9
hentes data fra EnTur API, og leveres av Bybanen gjennom SIRI-protokoll. Dataene forteller når hver vogn er på ett stopp. Posisjonen til hver vogn estimeres ift dette samt forventet
ankomst. Applikasjonen er utviklet med Java og React, og kjører i Azure.
Rolle: Mentor, Tech Lead, Utvikler
Stikkord: React, Java 8, EnTur, Azure, Azure DevOps, Docker, Spring, TypeScript, JavaScript
06.2019 - 05.2020
Prosjekt: Hensikten med prosjektet var å utvikle en løsning som viser Bybanevognene, passasjertall og driftsmeldinger, live på et kart hvor hele Bybane traséen vises (Bybanensanntid.no). Det
5/9
hentes data fra EnTur API, og leveres av Bybanen gjennom SIRI-protokoll. Dataene forteller når hver vogn er på ett stopp. Posisjonen til hver vogn estimeres ift dette samt forventet
ankomst. Applikasjonen er utviklet med Java og React, og kjører i Azure.
Rolle: Mentor, Tech Lead, Utvikler
Stikkord: React, Java 8, EnTur, Azure, Azure DevOps, Docker, Spring, TypeScript, JavaScript
Data Scientist
BKK Prognose
2019-09 - 2020-01
09.2019 - 01.2020
Prosjekt: Målet med dette prosjektet var å utvikle nye prognosemodeller for Bkk Strøm, samt lage
bruksprofiler. Modellene skulle vise forventet forbruk av strøm i en gitt periode framover.
Værdata og historiskforbruk utgjorde datagrunnlaget. Det ble eksperimentert med ulike
modeller, bl.a. ARIMA, GAM og LSTM modeller for tidsserier.
Rolle: Data Scientist, Utvikler
Utvikling av prognosemodeller
Utvikling av infrastruktur for innhenting og prosessering av data
Stikkord: PostgreSQL, Azure VM, ARIMA, GAM, Prophet, Keras, Scikit-Learn, Python, MET, LSTM
Networks
Prosjekt: Målet med dette prosjektet var å utvikle nye prognosemodeller for Bkk Strøm, samt lage
bruksprofiler. Modellene skulle vise forventet forbruk av strøm i en gitt periode framover.
Værdata og historiskforbruk utgjorde datagrunnlaget. Det ble eksperimentert med ulike
modeller, bl.a. ARIMA, GAM og LSTM modeller for tidsserier.
Rolle: Data Scientist, Utvikler
Utvikling av prognosemodeller
Utvikling av infrastruktur for innhenting og prosessering av data
Stikkord: PostgreSQL, Azure VM, ARIMA, GAM, Prophet, Keras, Scikit-Learn, Python, MET, LSTM
Networks
Utvikler, Data Scientist
Chatbot
2018-10 - 2019-12
10.2018 - 12.2019
Prosjekt: Prosjektet går ut på å utvikle en chatbot for Festspillene i Bergen som kan svare på spørsmål
relatert til eksisterende FAQ. Her har det blitt arbeidet med eksisterende bot-rammeverk som
Wit.ai samt egenutviklede modeller. Disse baserer seg på NLP og Maskin Læring. Scikit learn og Tensorflow er bentyttet for analyse og utvikling av modeller. Chatboten er basert på topic
modelling - tekst klassifisering. SpaCy og NLTK er blitt brukt for å NLP og NLG. Her er bl.a ny
treningsdata blitt generert basert tidligere data. Resultatet var en ensembler modell som ble
deployet som en REST service i Azure.
Rolle: Utvikler, Data Scientist
Prosessert og generert data, utviklet modeller, integrasjon, og deployment.
Stikkord: Wit.ai, Python 3.7, Pandas, NLTK, SpaCy, Scikit-Learn, Machine Learning, Kubernetes, Docker
Compose, Docker, Java, NLP, NLG, Node.js, LiveHelpNow, HTML/CSS, JavaScript, TensorFlow,
Keras, Language Model
Prosjekt: Prosjektet går ut på å utvikle en chatbot for Festspillene i Bergen som kan svare på spørsmål
relatert til eksisterende FAQ. Her har det blitt arbeidet med eksisterende bot-rammeverk som
Wit.ai samt egenutviklede modeller. Disse baserer seg på NLP og Maskin Læring. Scikit learn og Tensorflow er bentyttet for analyse og utvikling av modeller. Chatboten er basert på topic
modelling - tekst klassifisering. SpaCy og NLTK er blitt brukt for å NLP og NLG. Her er bl.a ny
treningsdata blitt generert basert tidligere data. Resultatet var en ensembler modell som ble
deployet som en REST service i Azure.
Rolle: Utvikler, Data Scientist
Prosessert og generert data, utviklet modeller, integrasjon, og deployment.
Stikkord: Wit.ai, Python 3.7, Pandas, NLTK, SpaCy, Scikit-Learn, Machine Learning, Kubernetes, Docker
Compose, Docker, Java, NLP, NLG, Node.js, LiveHelpNow, HTML/CSS, JavaScript, TensorFlow,
Keras, Language Model
Tech Lead, Data Scientist, Utvikler, Arkitekt
Predikere Ising på Kjøreledning
2019-03 - 2019-07
03.2019 - 07.2019
Prosjekt: Hensikten med prosjektet var å lage et system som skal predikere ising på kjøreledningen til bybanen, for å så automatisk varsle operatørene slik at de kan iverksette tiltak. Det ble
utviklet en big data arkitektur i Azure som står for dataflyt og prosessering av værdata fra Met-api'et. Det ble utviklet 2 modeller for å forutsi fare for ising basert på værdata.
Resultatene vises som rapporter i presentasjonslaget, PowerBI. Her vil man bl.a kunne se på et kart hvilke strekninger av bybanetrasén som er utsatt for ising og når.
Rolle: Tech Lead, Data Scientist, Utvikler, Arkitekt
Stikkord: Data Lake, Power BI, Scala, Databricks, MET API, Azure App Service, Azure Key Vault, ACR,
Azure SQL
Prosjekt: Hensikten med prosjektet var å lage et system som skal predikere ising på kjøreledningen til bybanen, for å så automatisk varsle operatørene slik at de kan iverksette tiltak. Det ble
utviklet en big data arkitektur i Azure som står for dataflyt og prosessering av værdata fra Met-api'et. Det ble utviklet 2 modeller for å forutsi fare for ising basert på værdata.
Resultatene vises som rapporter i presentasjonslaget, PowerBI. Her vil man bl.a kunne se på et kart hvilke strekninger av bybanetrasén som er utsatt for ising og når.
Rolle: Tech Lead, Data Scientist, Utvikler, Arkitekt
Stikkord: Data Lake, Power BI, Scala, Databricks, MET API, Azure App Service, Azure Key Vault, ACR,
Azure SQL
hjelp av Azure
Kinect Energy
2017-09 - 2019-06
- Wind Power Predictions & Optimal Bidding Strategies
09.2017 - 06.2019
Prosjekt: Målet med prosjektet var å utvikle en effektiv og skalerbar data science plattform for
prognoser og styring av vindkraftmidler på vegne av klienter. Prosjektet inneholder elementer av big data engineering, datavitenskap, business intelligence, og datavisualisering. Arbeidet
bestod av å utvikle og implementere all funksjonalitet knyttet til dataintegrasjon, datadeling,
prosess styring og automatisering. Sesam data hub brukes til å håndtere datastrømmer til og
fra vindkraftprognose plattformen. Den foreslåtte løsningen for datalagring og vindkraftprognoser er skybasert ved hjelp av Azure som skyleverandør. Her ble det satt opp en Microservice arkitektur. Datalagringen var en kombinasjon av Azure Cosmos db og Sesam
Datahub. Prosjektet vil benytte seg av en rekke AI-baserte prediktive, klassifiserende og
generative modeller for prognoser og data-rengjøring, inkludert dyp læring. Optimalisert
budgivning til markedet vil bli implementert ved hjelp av maskinlæring. Dataene bestod av klimatologi, SCADA-sensordata, TSO og markedsdata.
Rolle: Utvikler, Data Scientist
Stikkord: Python, Scikit-Learn, Sesam, Docker, Azure Machine Learning, MSSQL, Azure, MongoDB, .NET
Core, Travis CI, TypeScript, Node.js, Express, Flask, Agile, Spring Boot, HDFS, HDF, Apache
Spark, Hadoop, CosmosDb, Pandas, OPC XML-DA, Dask, Azure DocumentDB, Apache Tomcat,
Gunicorn, Power BI, C#, HDP, TensorFlow, Keras
09.2017 - 06.2019
Prosjekt: Målet med prosjektet var å utvikle en effektiv og skalerbar data science plattform for
prognoser og styring av vindkraftmidler på vegne av klienter. Prosjektet inneholder elementer av big data engineering, datavitenskap, business intelligence, og datavisualisering. Arbeidet
bestod av å utvikle og implementere all funksjonalitet knyttet til dataintegrasjon, datadeling,
prosess styring og automatisering. Sesam data hub brukes til å håndtere datastrømmer til og
fra vindkraftprognose plattformen. Den foreslåtte løsningen for datalagring og vindkraftprognoser er skybasert ved hjelp av Azure som skyleverandør. Her ble det satt opp en Microservice arkitektur. Datalagringen var en kombinasjon av Azure Cosmos db og Sesam
Datahub. Prosjektet vil benytte seg av en rekke AI-baserte prediktive, klassifiserende og
generative modeller for prognoser og data-rengjøring, inkludert dyp læring. Optimalisert
budgivning til markedet vil bli implementert ved hjelp av maskinlæring. Dataene bestod av klimatologi, SCADA-sensordata, TSO og markedsdata.
Rolle: Utvikler, Data Scientist
Stikkord: Python, Scikit-Learn, Sesam, Docker, Azure Machine Learning, MSSQL, Azure, MongoDB, .NET
Core, Travis CI, TypeScript, Node.js, Express, Flask, Agile, Spring Boot, HDFS, HDF, Apache
Spark, Hadoop, CosmosDb, Pandas, OPC XML-DA, Dask, Azure DocumentDB, Apache Tomcat,
Gunicorn, Power BI, C#, HDP, TensorFlow, Keras
der kundene selger tjenester til sine kunder, det vil si
Kundesegmentering
2019-03 - 2019-03
03.2019 - 03.2019
Proekt: Sergel er et selskap som tilbyder inkasso tjenester. Sergel betjener en rekke kundeporteføljer
der kundene selger tjenester til sine kunder, det vil si at kundene er abonnements-kunder.
Sergels rolle er å innkreve forfalte krav i pre-inkasso fasen samt gjennomføre inkasso dersom
forfalte krav ikke blir betalt innenfor en tidsperiode. Prosjektet har vært å bistå Sergel med å
spesifisere og utvikle arkitektur og maskinlæringsmodeller for beslutningsstøtte i innkrevningsprosessen og videreutvikling av interne prosesser og tiltak på en
kunnskapsbasert måte. Prosjektet gjelder innkreving av fordringer fra abonnements-kunder.
Formålet med prosjektet: "High customer retention in portfolio while keeping the losses at a minimum." I dette ligger implisitt at man ikke skal "forstyrre" kunder unødig som faller i kategorien "self curing".
Sergel har en rekke KPIer som man løpende monitorer og ønsker å jobbe systematisk med å
forbedre. I prosjektet har vi brukt Telia porteføljen (mobiltelefon) som case og vi har særlig
fokusert på to KPIer:
Credit Recovery Rate og Credit Stop Accuracy
Data science delen av prosjektet består i hovedsak av to hovedoppgaver: Customer
Segmentation og Randomized Controlled Experiments (RCE). Segmentering er
maskinlæringsdelen av oppdraget, mens den andre hovedoppgaven er en mere klassisk
statistikk oppgave som i hovedsak består av hypotese testing. Segmentering er viktig del av prosjektet fordi man ikke behandler all kundene i porteføljen individuelt, men deler
kundemassen inn i grupper hvor individene har liknende adferd og som man dermed kan
behandle med samme sett av tiltak og spesialtilpassede prosesser. RCE oppgaven har mye til
felles med kliniske studier hvor man definerer to ulike grupper av individer; kontroll og eksperiment. I eksperimentgruppen gjør man intervensjoner som man deretter måler
effekten av vha. hypotesetesting.
Rolle: Data Scientist
6/9
Proekt: Sergel er et selskap som tilbyder inkasso tjenester. Sergel betjener en rekke kundeporteføljer
der kundene selger tjenester til sine kunder, det vil si at kundene er abonnements-kunder.
Sergels rolle er å innkreve forfalte krav i pre-inkasso fasen samt gjennomføre inkasso dersom
forfalte krav ikke blir betalt innenfor en tidsperiode. Prosjektet har vært å bistå Sergel med å
spesifisere og utvikle arkitektur og maskinlæringsmodeller for beslutningsstøtte i innkrevningsprosessen og videreutvikling av interne prosesser og tiltak på en
kunnskapsbasert måte. Prosjektet gjelder innkreving av fordringer fra abonnements-kunder.
Formålet med prosjektet: "High customer retention in portfolio while keeping the losses at a minimum." I dette ligger implisitt at man ikke skal "forstyrre" kunder unødig som faller i kategorien "self curing".
Sergel har en rekke KPIer som man løpende monitorer og ønsker å jobbe systematisk med å
forbedre. I prosjektet har vi brukt Telia porteføljen (mobiltelefon) som case og vi har særlig
fokusert på to KPIer:
Credit Recovery Rate og Credit Stop Accuracy
Data science delen av prosjektet består i hovedsak av to hovedoppgaver: Customer
Segmentation og Randomized Controlled Experiments (RCE). Segmentering er
maskinlæringsdelen av oppdraget, mens den andre hovedoppgaven er en mere klassisk
statistikk oppgave som i hovedsak består av hypotese testing. Segmentering er viktig del av prosjektet fordi man ikke behandler all kundene i porteføljen individuelt, men deler
kundemassen inn i grupper hvor individene har liknende adferd og som man dermed kan
behandle med samme sett av tiltak og spesialtilpassede prosesser. RCE oppgaven har mye til
felles med kliniske studier hvor man definerer to ulike grupper av individer; kontroll og eksperiment. I eksperimentgruppen gjør man intervensjoner som man deretter måler
effekten av vha. hypotesetesting.
Rolle: Data Scientist
6/9
Utvikler
System Development Services
2017-10 - 2018-06
(SDS)
10.2017 - 06.2018
Prosjekt: System Development Service (SDS) omhandler flere prosjekter: LoVe, Cargo Tracking, og ODB.
Arbeidet har i hovedsak gått ut på å forvalte eksisterende løsninger, men også videreutvikling og implementering av mindre applikasjoner.
Rolle: Utvikler
10.2017 - 06.2018
Prosjekt: System Development Service (SDS) omhandler flere prosjekter: LoVe, Cargo Tracking, og ODB.
Arbeidet har i hovedsak gått ut på å forvalte eksisterende løsninger, men også videreutvikling og implementering av mindre applikasjoner.
Rolle: Utvikler
Utvikler
Bergen Kommune
2017-08 - 2017-10
- Betalingsløsning for kemneren
08.2017 - 10.2017
Prosjekt: Utvikling av betalingsløsning for kemneren i Bergen Kommune. Her skal en bruker f.eks.
kunne betale restskatt. En webapplikasjon ble utviklet i Java ved bruk av Spring, og Thymeleaf som template engine. Integrasjon mot Nets sitt Netaxept API for online-betaling. Løsningen
inngikk i en større arkitektur, og ble laget som en microservice.
Rolle: Utvikler
Utviklet en webservice hvor brukere kan betale skatteoppgjør til Kemneren. Arbeidet med backend og frontend av løsningen
Stikkord: Git, JUnit, Java, Netaxept, REST, IntelliJ, Spring, Spring Boot, Thymeleaf, JavaScript, Jenkins
08.2017 - 10.2017
Prosjekt: Utvikling av betalingsløsning for kemneren i Bergen Kommune. Her skal en bruker f.eks.
kunne betale restskatt. En webapplikasjon ble utviklet i Java ved bruk av Spring, og Thymeleaf som template engine. Integrasjon mot Nets sitt Netaxept API for online-betaling. Løsningen
inngikk i en større arkitektur, og ble laget som en microservice.
Rolle: Utvikler
Utviklet en webservice hvor brukere kan betale skatteoppgjør til Kemneren. Arbeidet med backend og frontend av løsningen
Stikkord: Git, JUnit, Java, Netaxept, REST, IntelliJ, Spring, Spring Boot, Thymeleaf, JavaScript, Jenkins
Utvikler
Bouvet
2017-06 - 2017-10
06.2017 - 10.2017
Prosjekt: Prosjektet gikk ut på å integrere data fra ulike system vha av "Sesam" som er et
integrasjonssystem/datahub. Det utvikles microservices som står for ETL av data. Dataene blir
prosessert og brukes igjen av ulike system. Arbeidet omhandlet internsystemer i Bouvet.
Rolle: Utvikler
Utvikling av microservicer for Slack, CV-Partner, Jira, og Office 365, slik at disse kunne
integreres med Sesam. Utvikling i Sesam for å prosessere og flytte dataene mellom de ulike
systemene.
Stikkord: Docker, Slack Api, CV-Partner, JIRA, Office 365, TypeScript, JavaScript, Node.js, Sesam,
Integration, JSON, DTL, Git, Travis CI, SharePoint, Express, Microservices, Azure AD
8/9
TV2 - Utvikling av Flowboard
Prosjekt: Prosjektet gikk ut på å integrere data fra ulike system vha av "Sesam" som er et
integrasjonssystem/datahub. Det utvikles microservices som står for ETL av data. Dataene blir
prosessert og brukes igjen av ulike system. Arbeidet omhandlet internsystemer i Bouvet.
Rolle: Utvikler
Utvikling av microservicer for Slack, CV-Partner, Jira, og Office 365, slik at disse kunne
integreres med Sesam. Utvikling i Sesam for å prosessere og flytte dataene mellom de ulike
systemene.
Stikkord: Docker, Slack Api, CV-Partner, JIRA, Office 365, TypeScript, JavaScript, Node.js, Sesam,
Integration, JSON, DTL, Git, Travis CI, SharePoint, Express, Microservices, Azure AD
8/9
TV2 - Utvikling av Flowboard
Utvikler
NoSQL, Distributed Systems
2017-04 - 2017-06
04.2017 - 06.2017
Prosjekt: Arbeidet har gått ut på å lage et dashboard for å visualisere TV2's store mengder med metadata rundt medieinnhold. Det ble utviklet et flowboard som viser bl.a. statusen til de
ulike sendingene. Elasticsearch sammen med Kibana ble brukt ifm utviklingen. Logstash ble
brukt som pipeline for dataflyt.
Rolle: Utvikler
Stikkord: Logstash, ElasticSearch, Java, Kibana, Big Data, Visual Analytics, Data Science, ELK-stack,
NoSQL, Distributed Systems
Prosjekt: Arbeidet har gått ut på å lage et dashboard for å visualisere TV2's store mengder med metadata rundt medieinnhold. Det ble utviklet et flowboard som viser bl.a. statusen til de
ulike sendingene. Elasticsearch sammen med Kibana ble brukt ifm utviklingen. Logstash ble
brukt som pipeline for dataflyt.
Rolle: Utvikler
Stikkord: Logstash, ElasticSearch, Java, Kibana, Big Data, Visual Analytics, Data Science, ELK-stack,
NoSQL, Distributed Systems
Vitenskapelig Assistent
Universitet i Bergen
2017-01 - 2017-04
Utvikling av mobil helse applikasjon samt skrive artikler
Vitenskapelig assistent
Universitetet i Bergen
2017-01 - 2017-04
- Utvikling av mobilapplikasjon
01.2017 - 04.2017
Prosjekt: Hensikten med dette prosjektet har vært å videreutvikle en mhealth mobil applikasjon (fra masteroppgave) vha Xamarin, samt skrive vitenskapelige artikler basert på dette arbeidet.
Det har blitt produsert en poster og to vitenskapelige artikler som har blitt publisert.
Rolle: Vitenskapelig assistent
Utvikling a mobil helse applikasjon vha Android og Xamarin,
Stikkord: Xamarin, C#, Android, Azure, Microsoft SQL, Entity Framework, Material Design, Node.js
01.2017 - 04.2017
Prosjekt: Hensikten med dette prosjektet har vært å videreutvikle en mhealth mobil applikasjon (fra masteroppgave) vha Xamarin, samt skrive vitenskapelige artikler basert på dette arbeidet.
Det har blitt produsert en poster og to vitenskapelige artikler som har blitt publisert.
Rolle: Vitenskapelig assistent
Utvikling a mobil helse applikasjon vha Android og Xamarin,
Stikkord: Xamarin, C#, Android, Azure, Microsoft SQL, Entity Framework, Material Design, Node.js
Stikkord
2017-01 - 2017-01
VMware VDI, Python, Powershell, Azure Blob Storage, React
Utvikler
Universitet i Bergen
2014-08 - 2014-12
Utvikling av visualiseringsverktøy vha
semantiske teknologer
semantiske teknologer
Utvikler
Utvikling av Grafeditor
2014-08 - 2014-12
08.2014 - 12.2014
Prosjekt: Oppdraget gitt av en forskergruppe ved UiB omhandlet utvikling av en grafeditor som kunne
visualisere graf/relasjonsdata i en hierarkisk struktur. Dataene var av type OWL/RDF og representerte
BPML. Det skulle utvikles algoritme som kunne visualisere dataene basert på angitte kriterier.
Hensikten med forskningen var å lage en universelt språk eller mapping mellom ulike
modelleringsspråk som BPML, UML etc.
Rolle: Utvikler
Stikkord: Java, Swing, mxGraph, Protégé, OWL, RDF, SPARQL
Prosjekt: Oppdraget gitt av en forskergruppe ved UiB omhandlet utvikling av en grafeditor som kunne
visualisere graf/relasjonsdata i en hierarkisk struktur. Dataene var av type OWL/RDF og representerte
BPML. Det skulle utvikles algoritme som kunne visualisere dataene basert på angitte kriterier.
Hensikten med forskningen var å lage en universelt språk eller mapping mellom ulike
modelleringsspråk som BPML, UML etc.
Rolle: Utvikler
Stikkord: Java, Swing, mxGraph, Protégé, OWL, RDF, SPARQL
Salgs- og markedskonsulent
Bergens Tidene
2011-07 - 2012-04
Salg av Bergens Tidene
Academic Background
M.Sc
Universitetet i Bergen
2015-01 - 2016-01
B.Sc
Universitet i Bergen
2011-01 - 2014-01
Gateway College
Gateway College
2009-01 - 2010-01
Certifications
Deep Learning Professional Certificate består av 5 mindre