Alona Liuzniak-KI-Architektin

KI-gestützte Plattform für automatisierte UX-Validierung und Designer-Unterstützung

• Konzeption und technische Leitung einer unternehmensweiten KI-Lösung zur automatisierten UX-Überprüfung, die die Designqualität verbessert und manuelle Review-Prozesse in den Teams deutlich reduziert
• Entwicklung eines automatischen UX-Validierungstools als Figma-Plugin und Web-Anwendung, das auf Basis interner Richtlinien Testfälle generiert und aktuelle Designs zuverlässig auf Konsistenz und Standardkonformität prüft
• Umsetzung eines interaktiven Designer-Chats auf RAG-Basis, der Fragen zum aktuellen Design sowie zu den UX-Richtlinien des Unternehmens beantwortet sowie Konzeption der Deployment-Architektur auf Basis containerisierter Services
• Python, Azure OpenAI, PostgreSQL, REST API, Docker, OpenShift, Helm, CI/CD, Figma MCP, LLM, RAG, Prompt Engineering, GenAI, XAI, KI-Architektur, KI-Strategie

Chatbot-Lösung für den Kundensupport mit RAG in der Chemieindustrie

• Leitung der Konzeption und Implementierung einer End-to-End-Chatbot-Lösung für den Kundensupport und Produktempfehlungen, sowie Bereitstellung des voll funktionsfähigen Systems in drei Monaten
• Verbesserung der Suchergebnisqualität in der Chatbot-Wissensdatenbank durch den Einsatz von Prompt-Engineering, Zusammenfassungstechniken und einem zweischichtigen Suchsystem basierend auf Produktnamen-Filterung und Abgleich von Produktrelationen zur Verarbeitung komplexer Anfragen
• Entwicklung einer modularen Chatbot-Architektur zur Erstellung wiederverwendbarer und anpassbarer Pipelines sowie Konzeption der Deployment-Architektur auf Basis containerisierter Services
• Integration von Responsible AI-Mechanismen, die Nutzern nachvollziehbare und transparente Begründungen für Produktempfehlungen bieten
• Python, Microsoft Azure, MLflow, Docker, CI, Prompt Engineering, LLM, RAG, NLP, GenAI, XAI (Explainable AI), RAI (Responsible AI), KI-Architektur, KI-Strategie

KI-Strategie & KI-Adoption

• Konzeption und Durchführung von Workshops zur Vermittlung von Generative-AI-Potenzialen, Risiken und architektonischen Fragestellungen für eine erfolgreiche Anwendung in Fachbereichen
• Durchführung eines Webinars zum Aufbau produktionsreifer GenAI-Systeme unter Berücksichtigung regulatorischer Rahmenbedingungen, Halluzinations- und Bias-Reduktion sowie realer Anwendungsfälle im Finanzsektor
• Übersetzung komplexer KI-Themen in praxisnahe architektonische Leitlinien für Product Owner, Entwickler und Management zur Steigerung der organisatorischen Bereitschaft zur KI-Nutzung
• Schnittstellenfunktion zwischen Recht, Fachbereich und Technik durch Überführung regulatorischer und fachlicher Anforderungen in umsetzbare KI-Architekturen
• KI-Architektur, KI-Strategie, KI-Governance, Risikoanalyse, Halluzinationsvermeidung, Bias-Reduktion, Prompt-Design, RAG-Architekturmuster, KI-Einführungsstrategien

Chatbot-Lösung mit Bildintegration und Optimierung der Kommunikationsabläufe

• Leitung der Konzeption und Implementierung einer End-to-End-Chatbot-Lösung für den Kundensupport und Produktempfehlungen, sowie Bereitstellung des voll funktionsfähigen Systems in drei Monaten
• Verbesserung der Suchergebnisqualität in der Chatbot-Wissensdatenbank durch den Einsatz von Prompt-Engineering, Zusammenfassungstechniken und einem zweischichtigen Suchsystem basierend auf Produktnamen-Filterung und Abgleich von Produktrelationen zur Verarbeitung komplexer Anfragen
• Implementierung einer modularen Architektur zum Aufbau individuell anpassbarer Chatbot-Pipelines
• Integration von Responsible AI-Mechanismen, die Nutzern nachvollziehbare und transparente Begründungen für Produktempfehlungen bieten
• Python, Microsoft Azure, MLflow, Docker, CI, Prompt Engineering, LLM, RAG, NLP, GenAI, XAI (Explainable AI), RAI (Responsible AI)

Lösung zur Betrugsprävention im Bankensektor

• Erhebliche Vereinfachung von Modelltraining, -bereitstellung und -bewertung durch die Einführung einer effektiven Kundensegmentierungsstrategie, die die Anzahl der Modelle für die Betrugsprävention von 10 Millionen auf 9 Modelle reduzierte
• Optimierung des bestehenden XGBoost-Modells durch die Entwicklung neuer Features
• Implementierung einer neuen Strategie zur Transaktionsbewertung basierend auf einem Autoencoder-Modell
• Python, Java, Pandas, NumPy, Scikit-Network, Pyplot, JUnit, FitNesse, HDFS, Apache HBase, Spring Boot, Apache Kafka, PySpark, Docker, Machine Learning, XGBoost, Graphs, Clustering, AFC, Fraud Prevention, Jira, Confluence

• Entwicklung einer Objekterkennungslösung in Python, die Echtzeit-Inferenzen durchführte sowie eine effiziente Bilderfassung und Entscheidungsprozesse in Produktionsumgebungen ermöglichte
• Entwicklung synthetischer Trainingsdaten für Machine-Learning-Modelle zur Simulation von Objekterkennungs- und Handhabungsaufgaben
• Anwendung von Reinforcement-Learning-Techniken zur Optimierung der Bewegungsplanung von Robotern
• Python, TensorFlow, NumPy, OpenCV, Pytesseract, Pandas, Scikit-Learn, Pytest, Blender, Deep Learning, Computer Vision, Jira, Confluence