Erfahrungen
Vehicle Classification and Detection using Neural Networks
Erkennung und Klassifizierung von Fahrzeugen in Bildern und Videos für die Verkehrsüberwachung
- Ein YOLO- + Faster-R-CNN-Modell für reale Verkehrs- und autonome Fahrszenarien. Ausgezeichnet mit dem Best Paper Award am St Joseph Engineering College, März 2025.
Was es macht
- Das Modell nimmt Bilder oder Videoframes und lokalisiert und klassifiziert Fahrzeuge nach Typ, sodass es für Folgeanwendungen wie Verkehrsflussüberwachung oder Wahrnehmung in autonomen Fahrzeugsystemen nutzbar ist.
Was ich gemacht habe
- YOLO (für schnelle Erkennung) mit Faster R-CNN (für genauere Klassifizierung) kombiniert, statt mich auf nur eine Architektur zu verlassen, um Geschwindigkeit und Genauigkeit dort abzuwägen, wo sie am wichtigsten waren.
- 90 % mean Average Precision (mAP) erreicht, bewertet mit IoU-basierten Metriken statt nur mit roher Genauigkeit, damit die Lokalisierungsqualität korrekt abgebildet wird.
- Die komplette Datenverarbeitung und Bewertungspipeline in Python mit TensorFlow und OpenCV umgesetzt.
- Das begleitende Paper wurde vom Best Paper Award der CSE-Abteilung am St Joseph Engineering College ausgezeichnet.
Tech-Stack: Python, TensorFlow, OpenCV, YOLO, Faster R-CNN
AI Resume Scoring Agent
Ein LLM-Agent, der Lebensläufe anhand einer Stellenbeschreibung mit erzwungener strukturierter Ausgabe bewertet
- Ein selbst gesteuertes Projekt, das speziell aufgebaut wurde, um praktische Erfahrung mit Tool-Calling, Prompt Engineering und Workflow-Automatisierung zu sammeln – nicht nur, um damit Vertrautheit zu behaupten.
Was es macht
- Gegeben eine Stellenbeschreibung und einen Lebenslauf gibt der Agent ein strukturiertes JSON-Objekt zurück (kein Fließtext, den man erst interpretieren muss) mit einem Gesamtwert, Teilwerten für den Skill-Abgleich und die Relevanz der Erfahrung, einer Liste konkreter genannter Lücken und einer Ein-Satz-Zusammenfassung – bereit zum Sortieren, Filtern oder direkten Weitergeben an ein anderes System.
Was ich gemacht habe
- Die Tool-Calling-API des LLM genutzt, um strukturierten JSON-Output über ein definiertes Schema zu erzwingen, statt Freitext mit Regex zu parsen, damit die Antwort immer dem erwarteten Format entspricht.
- Bewusstes Prompt Engineering eingesetzt: klare Bewertungskriterien pro Feld, ein Few-Shot-Beispiel für den gewünschten Denkstil und die Reihenfolge des Schemas so angelegt, dass das Denkfeld des Modells vor den numerischen Scores steht, damit das Denken den Score beeinflusst und ihn nicht erst nachträglich rechtfertigt.
- Eine Streamlit-UI für das Hochladen von Lebensläufen und das Anzeigen einer sortierbaren Ergebnis-Tabelle gebaut.
- Die Bewertungslogik in eine Flask-API verpackt und mit einem n8n-Workflow verbunden: Ein Formular-Absenden löst den Agenten per Webhook aus, der dann eine E-Mail-Benachrichtigung mit dem Ergebnis verschickt, getestet mit einer echten SMTP-Sandbox (Mailtrap).
- Eine kleine Lovable-App gebaut, die strukturierte Daten an einen externen Webhook sendet, um direkt praktische Erfahrung mit einem No-Code-Builder zu sammeln statt nur indirekte Vertrautheit.
- Einen Mock-API-Client eingebaut, damit die gesamte Pipeline von Anfang bis Ende gebaut, ausgeführt und getestet werden kann, ohne API-Credits zu verbrauchen.
Tech-Stack: Python, Gemini API (Tool-Calling), Streamlit, Flask, n8n, Lovable, JSON Schema
Bone Fracture Detection and Diagnosis System
Ein KI-Diagnosetool, das Frakturen in Röntgenbildern findet und hervorhebt
- Kombiniert drei verschiedene Modelltypen, um Frakturen sowohl zu klassifizieren als auch präzise zu lokalisieren, und wurde als nutzbares Tool für Echtzeit-Uploads deployt.
Was es macht
- Gegeben ein Röntgenbild klassifiziert das System, ob eine Fraktur vorhanden ist, segmentiert den genauen Frakturbereich und legt eine Bounding Box für eine schnelle visuelle Bestätigung darüber, bevor das Ergebnis über eine Live-Upload-Oberfläche für medizinisches Fachpersonal bereitgestellt wird.
Was ich gemacht habe
- Drei sich ergänzende Modelltypen in einer Pipeline kombiniert: einen ResNet-Klassifikator (92 % Genauigkeit), ein U-Net-Segmentierungsmodell für die präzise Umrandung des Frakturbereichs und YOLOv11 für die Detektion, was allein die Erkennungsgenauigkeit um weitere 10 % verbessert hat.
- Das medizinische Bilddatenset selbst mit Labelbox und Roboflow kuratiert und gelabelt, um saubere, hochwertige Trainingsdaten sicherzustellen, statt mich auf ein bereits bereinigtes öffentliches Set zu verlassen.
- OpenCV verwendet, um genaue visuelle Fraktur-Overlays direkt auf dem Original-Röntgenbild darzustellen, damit die Interpretation leicht fällt.
- Geschätzt, dass das System die diagnostische Prüfzeit im Vergleich zur manuellen Sichtung um etwa 20 % verkürzt.
- Eine Streamlit-basierte Oberfläche gebaut und deployt, die Echtzeit-Uploads von Röntgenbildern unterstützt, sodass das Tool auch ohne ML-Vorkenntnisse nutzbar ist.
Tech-Stack: Python, PyTorch, ResNet, U-Net, YOLOv11, OpenCV, Labelbox, Roboflow, Streamlit, Google Colab (GPU)
Drug-to-Drug Interaction Prediction Model
Vorhersage riskanter Arzneimittelkombinationen mit Graph- und Sequenzmodellen
- Verknüpft Graph Neural Networks mit Recurrent Neural Networks, um schädliche Arzneimittelinteraktionen zu erkennen, bevor sie auftreten.
Was es macht
- Das Modell stellt Arzneimittel und ihre Eigenschaften als Graphstruktur dar und kombiniert das mit sequenzieller Modellierung, um vorherzusagen, ob ein bestimmtes Medikamentenpaar wahrscheinlich eine schädliche Interaktion erzeugt, mit dem Ziel, sicherere Verschreibungsentscheidungen zu unterstützen.
Was ich gemacht habe
- Graph Neural Networks (GNNs) kombiniert, um die Beziehungsstruktur zwischen Arzneimittelmerkmalen zu erfassen, mit Recurrent Neural Networks (RNNs), um sequentielle/musterbasierte Zusammenhänge zu erfassen, statt nur eine der beiden Architekturen zu verwenden.
- Die Vorhersagegenauigkeit um 12 % gegenüber Basisansätzen verbessert.
- Das Modell in PyTorch aufgebaut und ausgewertet, mit scikit-learn für die unterstützende Analyse der Arzneimittelmerkmale.
- Das Projekt auf einen konkreten pharmazeutischen Anwendungsfall ausgerichtet: schädliche Kombinationen früh zu markieren, statt es nur als rein akademische Übung zu betrachten.
Tech-Stack: Python, PyTorch, Graph Neural Networks (GNNs), Recurrent Neural Networks (RNNs), scikit-learn
Two-Stage Deep Learning Pipeline for Aerial Building Footprint Detection
Gebäudeflächen in Luftbildern automatisch End-to-End erkennen
- Eine zweistufige Computer-Vision-Pipeline, komplett von Grund auf in PyTorch gebaut: Ein Klassifikator entscheidet, ob ein Gebäude vorhanden ist, danach markiert ein Segmentierer genau, wo es liegt.
Was es macht
- Gegeben ein Luftbild nutzt das System zuerst einen EfficientNet-B0-Klassifikator, um zu bestimmen, ob die Kachel ein Gebäude enthält, und leitet positive Kacheln dann an ein DeepLabV3+-Segmentierungsmodell mit MobileNetV2-Encoder weiter, das eine pixelgenaue Maske der Gebäudefläche erzeugt. Das zweistufige Design verhindert, dass der Segmentierer unnötig auf leeren Kacheln arbeitet, und hält die Pipeline effizient.
Was ich gemacht habe
- Beide Stufen der Pipeline von Grund auf entworfen und trainiert, statt ein fertiges End-to-End-Segmentierungsmodell zu verwenden, um die Inferenz auf Kacheln ohne Gebäude günstig zu halten.
- 96,8 % Klassifikationsgenauigkeit und 0,645 IoU / 0,785 Dice in der Segmentierungsstufe erreicht, trainiert End-to-End auf kostenlosen Google-Colab-GPUs.
- Fehleranalysen durchgeführt, um genau zu verstehen, wo und warum das Modell versagt (z. B. dichte städtische Bebauung, schwer erkennbare Dächer), statt nur Gesamtgenauigkeit zu berichten.
- Eine Streamlit-Demo gebaut, damit die Pipeline live auf neuen Bildern ausprobiert werden kann und nicht nur offline ausgewertet wird.
Tech-Stack: Python, PyTorch, EfficientNet-B0, DeepLabV3+, MobileNetV2, Streamlit, Google Colab (GPU)
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Adithya ist in Osnabrück, Deutschland ansässig.
Adithya spricht folgende Sprachen: Marathi (Muttersprache), Englisch (Verhandlungssicher), Hindi (Verhandlungssicher), Deutsch (Grundkenntnisse).
Adithya hat mindestens 0 Jahre Erfahrung. In dieser Zeit hat Adithya und für 1 Firma gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 0 Monate. Beachten Sie, dass Adithya möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
In den letzten Jahren hat Adithya für Vehicle Classification and Detection using Neural Networks gearbeitet.
Adithya hat die meiste Erfahrung in Industrien wie Automotive und Informationstechnologie (IT).
Adithya hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT) und Forschung und Entwicklung (F&E).
Adithya hat einen Master in Kognitionswissenschaft von Universität Osnabrück und einen Bachelor in Informatik & Ingenieurwesen von St Joseph Engineering College (VTU).
Die Verfügbarkeit von Adithya muss bestätigt werden.
Tagessatzverteilung
Die angegebenen Tagessätze entsprechen der typischen Marktspanne für Freelancer in dieser Position, basierend auf aktuellen Projekten auf unserer Plattform.
Durchschnittlicher Tagessatz für ähnliche Positionen
Die Tagessätze basieren auf aktuellen Projekten und enthalten keine FRATCH-Marge.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 18 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Ähnliche Freelancer
Entdecke andere Experten mit ähnlichen Qualifikationen und Erfahrungen
Kiran Kumar K.
Letzte Position:
Angewandte NLP: Wortebenen-Kodierung für präzisere Ereignisprognosen bei University of Siegen
- Entwicklung von mehr als 12 Seq2Seq-Modellen (LSTMs/GRUs) zum Training eines KI-Modells, das die Arbeit als Analyst für die Bewertung von KI-Agenten und Online-Projekte in komplexen Systemen unterstützt.
- Durchführung von mehr als 15 Experimenten zur Steigerung der Prognosegenauigkeit um 28%, unter Anwendung analytischen Denkens und Tests der Modelle auf QA und Abdeckung von Grenzfällen.
- Recherche von mehr als 20 Fachartikeln als Berater, um das Design großer Sprachmodelle zu unterstützen und die Übereinstimmung mit logischen Schlussfolgerungen und dem Fachgebiet sicherzustellen.
- Einsparung von 40% Rechenzeit durch Modellkomprimierung mit einem wiederverwendbaren PyTorch-Framework, das Entwickler und Autoren dabei unterstützte, Verbesserungen vorzuschlagen und Richtlinien zu optimieren.
Ateet B.
Letzte Position:
KI-Ingenieur bei MASX AI
Strategischer Übergang in KI-Engineering durch intensives Mentoring und Projektdurchführung.
Entwicklung von MASX AI, einer agentischen KI-Plattform, die LangGraph, AutoGen und RAG für geopolitische Prognosen und Echtzeit-ETL integriert.
Entwurf und Bereitstellung funktionsfähiger KI-Prototypen für potenzielle Kunden, die angewandte Expertise in Multi-Agenten-Systemen, Echtzeit-Datenpipelines und LLM-Integrationen demonstrieren.
Malik O.
Letzte Position:
KI-Wissenschaftler bei SQPS
- Intelligente Dokumentenverarbeitung mit OCR und Computer Vision: Konzipierte die durchgängige KI-Pipeline im Kern des GenAI-Dokumentenverarbeitungsprodukts von SQPS. Sie wandelt Stapel gescannter Papierdokumente und PDFs in organisierte, durchsuchbare Dokumente um und kombiniert dafür Bildvorverarbeitung, OCR und Layoutanalyse für Scans unterschiedlicher Qualität. Technologien: Python, OpenCV, Tesseract / PaddleOCR, PyTorch, FastAPI
- Automatische Dokumententrennung und -klassifizierung: Entwickelte Modelle, die in einem einzelnen Scan mit mehreren Dokumenten erkennen, wo ein Dokument endet und das nächste beginnt, und jedes Dokument nach Typ klassifizieren (Rechnungen, Verträge, Briefe, Berichte), um eine vollständig automatisierte Ablage zu ermöglichen. Technologien: Python, PyTorch, scikit-learn, Hugging Face Transformers
- Informationsextraktion und intelligente Dateibenennung mit LLMs: Implementierte ein GenAI-Extraktionssystem auf LLM-Basis, das Datumsangaben, Namen und Referenznummern aus unstrukturierten Dokumenten ausliest und daraus einheitliche, regelbasierte Dateinamen erstellt. Dabei lassen sich die Namenskonventionen für jede Organisation individuell festlegen. Technologien: Python, LangChain, OpenAI, SentenceTransformers, SQL
Abhishek N.
Letzte Position:
Fullstack-Entwickler bei DAMALO GmbH
- Verantwortlich für die Full-Stack-Entwicklung einer AI-native Unternehmensplattform auf Basis von TypeScript, React, Vite, tRPC, Hono und PostgreSQL, die KI-gestützte Beratungs-Workflows für B2B-Kunden liefert.
- Entwarf und lieferte ein Multi-Agenten-KI-System mit dem ReAct-Framework und Claude-Skills-Workflow-Mustern, inklusive eines intelligenten PM-Assistenten mit umfangreichen System-Prompts, Slash-Befehlen, Tool-Integrationen und Streaming-Chat-Oberfläche.
- Entwickelte ein LLM-Bewertungs-Framework: rubrikbasierte LLM-als-Richter, Golden Datasets, Regressionstests und automatisierte Qualitätssicherung — für konsistente KI-Ausgabequalität in großem Maßstab.
- Integrierte LangFuse für durchgehendes LLM-Tracking, Konversations-Wiedergaben und Bewertungs-Pipelines, was datengetriebene Prompt-Optimierung ermöglichte und Token-Kosten sowie Antwort-Varianz reduzierte.
- Implementierte Drizzle ORM, pgvector und Knowledge Graphs für strukturierten Datenzugriff, semantische Suche und beziehungsorientiertes KI-Schlussfolgern über die gesamte Plattform.
- Führte die TanStack React Query-Migration in der gesamten Anwendung durch — ersetzte manuelles State-Management durch zentrales Caching und automatisches Refetching, was den Boilerplate-Aufwand für Datenabrufe deutlich reduzierte.
- Setzte AI-native Entwicklung durchgehend ein: Claude Code, Codex, Perplexity SDK und LLM-unterstütztes Testing im gesamten Entwicklungszyklus. Deployment auf Vercel + Azure ACA mit Biome für Linting/Formatting.
Mathew D.
Letzte Position:
Experte für Data Science und KI-Stratege bei Freelancer
- Entwicklung einer API zur Aufnahme, Bereinigung, Übersetzung und Indexierung von EU-Ausschreibungsdokumenten in Neo4j, die eine hybride Suche mit RAG- und Cypher-Abfragen über ein Streamlit-Dashboard ermöglicht
- Bereitstellung der API auf AWS Lightsail Container Services mit CI/CD-Automatisierung über GitHub Actions und Sicherstellung der Stabilität durch pytest-Unit- und Integrationstests
- Konzeption und Entwicklung eines umfassenden Online-Kurses zur Datenanalyse mit ChatGPT für Fachkräfte und Lernende, einschließlich Lehrvideos und interaktiver Jupyter-Notebooks
- Einsatz von OBS und professioneller Audioausrüstung zur Sicherstellung hochwertiger Video- und Audioinhalte
- Leitung eines Projekts zur Normalisierung und Bereinigung von CRM-Daten, visualisiert durch ein Sankey-Diagramm zur Unterstützung des Kundenverständnisses und der Pipeline-Entwicklung
- Umsetzung und Validierung einer von genAI unterstützten Web-Crawling-Strategie auf AWS zur Sicherstellung von Datenqualität und Skalierbarkeit sowie zur Anreicherung von CRM-Daten
Tobias J.
Letzte Position:
Konzeption eines AI-Agenten basierten ERP-Systems
- Konzeption eines LLM-basierten Agentensystems zur Steuerung der ERP-Software
- Entwicklung von Agenten-Workflows mit LangGraph und PydanticAI
- Planung der Schnittstellen zwischen Geschäftslogik und Sprachmodellen
- Planung der Agentenorchestrierung
- Prototypenentwicklung- und Demonstration
Werkzeuge: Python, Pydantic, React, LangChain, LangGraph, Linux
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Osnabrück, Deutschland arbeiten
