_
Jag är systemvetare med en kandidatexamen inom informatik (Degree of Bachelor of Science, Main Field of Study: Information Systems) och drivs av att ständigt lära mig nytt och fördjupa mina kunskaper inom mina expertområden. Jag värdesätter lagarbete och motiveras av att arbeta mot gemensamma mål — övertygad om att samarbete är nyckeln till meningsfulla resultat.
// 01 — om mig
.decrypt()
Mitt fokus ligger på systemutveckling och mjukvarutestning. Jag skriver kod jag litar på: testad, läsbar och redo att fungera i produktion. Jag brinner för teknik och utveckling och arbetar alltid mot tydliga mål för att göra mina kunder nöjda. En kinesisk miljonär sa en gång ”behandla din kund som en kung” — för mig betyder det att bygga pålitlig mjukvara som direkt översätts till kundnöjdhet och verkligt affärsvärde.
Jag trivs bäst i agila team där vi bygger mot ett gemensamt mål tillsammans. Det som driver mig är att se en lösning gå hela vägen från idé till något som faktiskt används i verkligheten.
· Armeniska 
· Engelska 
· Arabiska 
// 02 — kompetensprofil
Min kompetens spänner över hela kedjan — från datainsamling och bearbetning till modellering, testning och beslutsunderlag. Diagrammet sammanfattar mina starkaste områden; kategorierna nedan bygger på kurser, projekt och praktisk erfarenhet. Markerade taggar är mina primära styrkor.
// 03 — projekt & erfarenhet
Filtrera på teknik nedan.
Oövervakad anomalidetektering på 73 945 bussturer hos Östgötatrafiken — tre modeller jämförda (Isolation Forest, LOF, Autoencoder) för att hitta avvikande turer och deras orsaker, med konkreta förslag på schemaoptimering.
Sajten du tittar på — designad och byggd helt på egen hand. Frontend i TypeScript (buntad med Vite, utan UI-ramverk): en interaktiv 3D-partikelglob med egna WebGL-shaders och live-renderade landsgränser, en 3D-kompetensradar, tema-motor och tvåspråkighet. Baksidan är en serverless-funktion som kopplar in xAI:s Grok i terminalen — med API-nyckeln säkert serverside, daglig rate-limiting och GDPR-samtycke + reCAPTCHA v3 i kontaktformuläret. Allt versionshanteras i Git och byggs och deployas automatiskt vid varje commit.
Ett fullt spelbart desktopspel i Java Swing — spelare mot AI med två svårighetsgrader. Hard-läget använder en lagrad strategi (vinna → blockera motståndaren → ta mitten → kontra fällor → hörn), byggt med objektorienterad design via två interfaces, trådad UI med SwingUtilities och ljudeffekter via Javas audio-API.
Social media-marknadsföring för en AI-driven plattform som gör om selfies till tecknade figurer. Arbetade med varumärkeskännedom, användartillväxt och engagerande innehåll.
En komplett relationsdatabas i Oracle SQL & PL/SQL för en fiktiv sparbank — 8 normaliserade tabeller, lagrade procedurer, triggers för automatisk saldouppdatering och överuttagsskydd, samt PL/SQL-funktioner för inloggning och behörighetskontroll. Hela kedjan från schemadesign till server-sidans affärslogik.
Kursprojekt inom storskalig databehandling och molnmiljöer — grunden för det jag senare använde i Databricks under examensarbetet. Distribuerad beräkning, datalagring och pipelines.
// 04 — examensarbete
Mitt examensarbete, utfört i samarbete med Sweco och Östgötatrafiken, tillämpade tre oövervakade ML-algoritmer — Isolation Forest, Local Outlier Factor och Autoencoder — för att upptäcka avvikande bussturer i kollektivtrafikens schemaläggningsdata (2023–2024). Arbetet omfattade datainsamling via GTFS/KoDA-API, explorativ dataanalys, förbehandling i Azure Databricks med PySpark, samt modellering och utvärdering. Resultatet gav konkreta, handlingsbara insikter för schemaoptimering och ökad tillförlitlighet.
Modellerna kördes på linje 11 i Norrköping med särdrag som turlängd, total sträcka, snittuppehållstid och hastighet. Isolation Forest flaggade flest avvikelser (~2,2 %), medan autoencodern fångade längre, mer komplexa mönster. 69 turer flaggades av alla tre modellerna — främst 25–27-minuterssturer under lågtrafik (natt och helg), samt eventdrivna förseningar som vid fotbollsmatcher. Slutsatsen kopplade avvikelserna till resursslöseri och gav underlag för att kalibrera tidtabeller efter faktisk efterfrågan.
// 05 — tidslinje
Klicka på en rad för detaljer, eller använd knappen för PDF.
Systemvetenskapliga programmet, 180 hp. Inriktning mot data science, maskininlärning och systemutveckling. Väl godkänt i bl.a. Data Science & Maskininlärning, Forskningsmetodik och Statistisk analys. Examensarbete om anomalidetektering.
Utvecklade ML-modeller (Isolation Forest, LOF, Autoencoder) i Python för att hitta fel och mönster i stora datamängder. Bearbetade rådata i Azure Databricks med PySpark och Pandas. Arbetade agilt för att omsätta komplex analys till praktiskt verksamhetsvärde.
Hanterade logistik och visade organisatoriska färdigheter parallellt med studier — pålitlighet och tidshantering under press.
Långsiktig roll inom vård och stöd. Förbättrade kommunikationsstrategier och visade pålitlighet i teamarbete över flera år, vid sidan av studierna.
// organisationer jag arbetat med
// 06 — kontakt
Har du en roll, ett projekt eller bara en idé att bolla? Skriv en rad.