Hang YaoHang Yao姚航

Back-End Engineer InternIngeniero Back-End (Prácticas)后端开发工程师（实习）

NTT DATA · Barcelona · NTT Group (Fortune Global 500)Barcelona · Grupo NTT (Fortune Global 500)巴塞罗那 · 世界500强 NTT 集团旗下

• Built enterprise-grade microservices and state-driven workflows on Spring to securely route and process financial records for a major banking client.
• Desarrollé microservicios de nivel empresarial y flujos basados en estados con Spring para procesar de forma segura registros financieros de un gran cliente bancario.
• 使用 Spring 生态开发企业级微服务与状态驱动的工作流，为大型银行客户安全地路由和处理金融记录。
• Mapped UI states to custom relational schemas with advanced SQL integrations for fast, reliable data persistence.
• Mapeé estados de interfaz a esquemas relacionales a medida con integraciones SQL avanzadas para una persistencia rápida y fiable.
• 将 UI 状态映射至定制关系型数据库架构，执行高级 SQL 集成以确保高效可靠的数据持久化。
• Orchestrated end-to-end delivery via GitHub Actions, resolving production bugs and sustaining ~90% unit-test coverage with JUnit.
• Orquesté la entrega con GitHub Actions, resolviendo bugs de producción y manteniendo ~90% de cobertura de tests con JUnit.
• 通过 GitHub Actions 编排端到端交付，解决生产环境 Bug，并用 JUnit 将核心模块测试覆盖率维持在约 90%。

Floor Plan Graph Extraction with Vision-Language ModelsExtracción de Grafos desde Planos con VLMs基于视觉语言模型 (VLM) 的户型图拓扑提取 ↗

• Annotation-free pipeline converting 1,276 raster floor plans into structured topological graphs with a frozen VLM (Qwen3-VL-8B) — no fine-tuning, no labels.
• Pipeline sin anotaciones que convierte 1.276 planos ráster en grafos topológicos con un VLM congelado (Qwen3-VL-8B), sin fine-tuning ni etiquetas.
• 免标注流水线，用冻结的 VLM (Qwen3-VL-8B) 将 1,276 张户型图转为结构化拓扑图，无需微调或标注。
• Six-stage prompting strategy reaching 90% classification accuracy and structurally valid graphs for 90.2% of plans; built an automated validation framework and human-in-the-loop refinement.
• Estrategia de prompting en seis etapas con 90% de precisión y grafos válidos en el 90,2% de los planos; marco de validación automático y refinamiento human-in-the-loop.
• 六阶段提示词策略达 90% 分类准确率，90.2% 户型图结构有效；构建了自动验证框架与人机协同修正系统。

STGF-LLM: Time-Series Forecasting & Synthetic Generation with LLMsSTGF-LLM: Series Temporales y Generación Sintética con LLMsSTGF-LLM：基于 LLM 的时序预测与合成数据生成 ↗

• Fine-tuned an LLM (Qwen3) for robust time-series forecasting and high-fidelity synthetic data generation, with a history-aware prompting strategy to serialize multivariate temporal data.
• Fine-tuning de un LLM (Qwen3) para previsión de series temporales y generación sintética de alta fidelidad, con prompting "history-aware" para datos temporales multivariantes.
• 微调 LLM (Qwen3) 实现稳健的时序预测与高保真合成数据生成，设计"历史感知"提示策略序列化多变量时序数据。
• Benchmarked against TimeGAN and Chronos-T5 on Train-on-Synthetic-Test-on-Real accuracy, competitive within hardware constraints.
• Comparado con TimeGAN y Chronos-T5 en precisión TSTR, competitivo dentro de las restricciones de hardware.
• 与 TimeGAN、Chronos-T5 在 TSTR 准确率上基准测试，硬件受限下仍具竞争力。

Steam Games Satisfaction Prediction — MLOps PipelinePredicción de Satisfacción en Steam — MLOpsSteam 游戏满意度预测 — MLOps 流水线 ↗

• Full ML pipeline on 150,000+ Steam API records: profiling, PCA feature selection, and a custom neural network to maximize predictive R².
• Pipeline ML completo sobre 150.000+ registros de Steam: profiling, selección de variables con PCA y una red neuronal a medida para maximizar el R².
• 在 15 万+ Steam API 记录上的完整 ML 流水线：数据分析、PCA 特征选择、定制神经网络最大化预测 R²。
• MLOps pipeline with DuckDB for full data lineage and instant rollback, plus a custom UI for automated execution and monitoring.
• Pipeline MLOps con DuckDB para linaje completo y rollback instantáneo, con UI para ejecución y monitorización.
• MLOps 流水线用 DuckDB 保证完整数据血缘与即时回滚，配定制 UI 实现自动执行与监控。

Big Data Management — End-to-End Data LakehouseGestión de Big Data — Data Lakehouse大数据管理 — 端到端数据湖仓 ↗

• Containerized 3-tier (Cold/Warm/Hot) lakehouse on Docker, integrating 10 GB of heterogeneous sources via REST APIs with Spark and Redis; daily ETL orchestrated with Airflow.
• Data lakehouse de 3 niveles en Docker, integrando 10 GB de fuentes vía REST APIs con Spark y Redis; ETL diario orquestado con Airflow.
• Docker 上的三层（冷/温/热）数据湖仓，用 Spark 和 Redis 通过 REST API 集成 10GB 多源数据，Airflow 编排日常 ETL。

Exchange Student (Master's)Estudiante de Intercambio (Máster)硕士交换生86/100

Beihang University · Beijing · China's top-10 in engineeringUniversidad de Beihang · Pekín · top-10 de China en ingeniería北京航空航天大学 · 北京

MSc Data ScienceMáster en Data Science数据科学硕士7.6/10 · ES scale · 西班牙制

Universitat Politècnica de Catalunya (UPC) · QS Eng. & Tech. #96 · QS 工程与技术全球第96

BSc Computer ScienceGrado en Ingeniería Informática计算机科学学士7.3/10

Universitat Politècnica de Catalunya (UPC)