Adithya Naik-Security Intern

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

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