Erfahrungen
Machine Learning Engineer Intern
Slash Mark
- CNN- und RNN-Architekturen mit Transfer Learning für reale Klassifikationsaufgaben entwickelt und feinabgestimmt — zentrale Deep-Learning-Fähigkeiten, die auf die multimodale LLM- und GenAI-Fahrzeugfunktionsentwicklung bei BMW übertragbar sind.
- Dropout, Batch Normalization und Early Stopping in verschiedenen Deep-Learning-Experimenten implementiert; streng mit Precision, Recall, F1-Score und Confusion Matrices bewertet für Zuverlässigkeit auf Produktionsniveau.
- Ein KI-gestütztes Anwesenheitsverwaltungssystem mit LBPH-Gesichtserkennung entwickelt, über eine Flask-Weboberfläche bereitgestellt und mit SMS-Benachrichtigungen in Echtzeit ergänzt — ein Beispiel für eine vollständige AI-Produktlieferung für echte Nutzer.
- In funktionsübergreifenden Teams zusammengearbeitet, um skalierbare, dokumentierte ML-Pipelines für Reproduzierbarkeit zu liefern — passend zu BMWs interdisziplinärem Team- und Forschungsumfeld.
- AI-Tools direkt in den Entwicklungsworkflow integriert, vom Design bis zum Testen, und dabei eine hohe Geschwindigkeit ohne Abstriche bei der Korrektheit gehalten.
Data Science Engineer Intern
YBI Foundation
- Vorhersagemodelle für ML (Lineare Regression, Entscheidungsbäume, Ensemble-Methoden) auf strukturierten Geschäftsdaten entwickelt und bis zu 85 % Testgenauigkeit erreicht — übertragbar auf BMWs personalisierte Kontextmodellierung für LLM-gesteuerte Assistenten.
- Datensätze mit mehr als 5 GB mit Pandas und NumPy vorverarbeitet und mit Feature Engineering bearbeitet, um Muster zu erkennen, die Kostenoptimierungsstrategien unterstützt haben — direkt relevant für BMWs heterogene Datenformate und SQL-/GraphQL-Abfragen.
- Tableau-Dashboards erstellt, um KPIs, Verkaufstrends und Kundenverhalten zu visualisieren und datenbasierte Entscheidungen für nicht-technische Stakeholder zu ermöglichen — passend zu BMWs Anspruch an gute teamübergreifende Kommunikation.
- Detaillierte Exploratory Data Analysis (EDA) durchgeführt, um Trends, Ausreißer und Zusammenhänge aufzudecken, und daraus umsetzbare Geschäftsempfehlungen abgeleitet, die Rohdaten und Strategie verbinden.
Machine Learning Engineer Intern
Pantech Solutions (APSSDC)
- FastAPI-Endpunkte für die KI-Modellinferenz in Echtzeit entworfen und bereitgestellt — vollständige Verantwortung von der Entwicklung bis zur Produktion, direkt vergleichbar mit BMWs Anforderungen an die Bereitstellung von LLM-APIs.
- 92 % Recall auf stark unausgeglichenen Datensätzen durch SMOTE-Oversampling erreicht, was solide ML-Bewertungsfähigkeiten zeigt, die für BMWs AI-Memory- und Context-Engineering-Systeme wichtig sind.
- Die Kosten der Cloud-Trainingspipeline um 35 % gesenkt durch gezielte Optimierung von Vorverarbeitung und Trainings-Workflows auf Azure — passend zu BMWs Azure-Pub/Sub- und Cloud-Integrations-Stack.
- Komplette End-to-End-ML-Workflows umgesetzt: Datenaufnahme, Feature Engineering, Modelltraining, Bewertung und Deployment — derselbe Lebenszyklus wie bei BMWs Entwicklung eines LLM-gesteuerten Assistenten.
- Produktiv eingesetzte Modelle unter Produktionsbedingungen getestet; Leistungsengpässe identifiziert und Pipelines für Zuverlässigkeit und Skalierung refaktoriert.
AI-gestütztes Anwesenheitssystem per Gesichtserkennung — IEEE ICCSP 2024 (veröffentlicht)
- Eine komplette End-to-End-Deep-Learning-Pipeline mit LBPH-Gesichtserkennung, Flask-Weboberfläche, SQLite-Datenbank und Twilio-SMS-API entworfen und bereitgestellt — ein vollständiges AI-Produkt für echte institutionelle Nutzer.
- Nahtlose Human-AI-Interaktion über eine Live-Kamera-Ansicht erreicht, direkt passend zu BMWs Ziel, die Human-AI-Interaktion im Fahrzeug durch multimodale Assistenten zu verbessern.
- Bei IEEE Xplore veröffentlicht — ein Beleg dafür, dass ich innovative Forschungsansätze in einem strukturierten F&E-Umfeld einbringen kann, passend zur Research-Internship-Kultur bei BMW.
Big Mart Sales Forecasting System — Retail ML Pipeline
- Eine End-to-End-ML-Pipeline für Verkaufsprognosen mit Ensemble-Methoden (Random Forest, Gradient Boosting), Feature Engineering und Tableau-Dashboards aufgebaut, um umsetzbare Einblicke für die Lagerplanung zu liefern.
- Den gleichen Datenlebenszyklus angewendet — Datenaufnahme, EDA, Feature Engineering, Modelltraining, Bewertung — wie in BMWs Workflows für LLM-Memory-Management und Context Engineering.
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Informationstechnologie (IT).
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Informationstechnologie (IT), Produktentwicklung und Forschung und Entwicklung (F&E).
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Anjaneya ist in Weimar, Deutschland ansässig.
Anjaneya spricht folgende Sprachen: Englisch (Verhandlungssicher), Deutsch (Grundkenntnisse).
Anjaneya hat mindestens 1 Jahr Erfahrung. In dieser Zeit hat Anjaneya in mindestens 2 verschiedenen Rollen und für 3 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Monate. Beachten Sie, dass Anjaneya möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Anjaneya gut geeignet für Rollen wie: Machine Learning Engineer Intern, Data Science Engineer Intern, AI-gestütztes Anwesenheitssystem per Gesichtserkennung — IEEE ICCSP 2024 (veröffentlicht).
Die neueste Position von Anjaneya ist Machine Learning Engineer Intern bei Slash Mark.
In den letzten Jahren hat Anjaneya für Slash Mark, YBI Foundation und Pantech Solutions (APSSDC) gearbeitet.
Anjaneya hat die meiste Erfahrung in Industrien wie Informationstechnologie (IT).
Anjaneya hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT), Forschung und Entwicklung (F&E) und Produktentwicklung. Anjaneya hat auch etwas Erfahrung in Business Intelligence.
Anjaneya hat einen Master in Computer Science for Digital Media von Bauhaus-Universität Weimar und einen Bachelor in Computer Science & Engineering von MITS, JNTUA.
Anjaneya hat 3 Zertifikate. U.a: Microsoft Certified: Azure Data Engineer Associate, Claude Code in Action und Google Professional Certificate: Data Analytics.
Anjaneya ist sofort vollzeit verfügbar für passende Projekte.
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
Himanshu N.
Letzte Position:
Principal (Datenwissenschaftler/Dateningenieur/Gen-AI-Ingenieur) bei Marktguru Deutschland GmbH
Konzipierte eine agentenbasierte Echtzeit-Engine zur Angebotsorchestrierung, in der spezialisierte Agenten (Retrieval, Pricing/Optimierung und Richtlinien/Guardrails) zusammenarbeiten, um Promotionen über alle Touchpoints zu personalisieren, mittels RAG mit FAISS auf Delta Lake und latenzarmem Databricks Model Serving. Arbeit mit Produktmanagern und kommerziellen Stakeholdern zur Roadmap-Gestaltung und Bewertung neuer Agentenmuster für den Produktionseinsatz.
Entwickelte einen agentenbasierten Data-Quality-Service, der Schema-Erkennung, Entity-Normalisierung und Validator-/Exception-Handling-Agenten orchestriert, um SKU-Feeds mehrerer Händler in großem Maßstab zu bereinigen. Verpackte Modellaufrufe in PySpark-UDFs für verteilte Inferenz, automatisiert über Databricks Workflows und CI/CD.
Entwickelte eine multimodale, agentenbasierte Extraktions-Pipeline, in der Vision-, Parsing- und Compliance-Agenten zusammenarbeiten, um Marke, Verpackung und Volumen aus gescannten Bildern mit Claude 3 Sonnet und Swin Transformer-Encodern zu extrahieren. Orchestriert über Azure Event Hub, mit Speicherung der Ergebnisse in Delta Lake.
Implementierte einen GS1-Taxonomie-Klassifizierungsservice, der auf kooperierenden Agenten für Inferenz, Drift-Monitoring und automatisierte Retrainings-Governance basiert, unter Nutzung von Falcon 180B (LoRA-feinjustiert) mit Batch-Pipeline auf Databricks.
Erstellte einen hybriden Agenten-Workflow, bei dem ein Retrieval-Agent Kandidaten über Embeddings ermittelt und ein Reasoning/Verifikations-Agent (Mixtral 8x7B) die Übereinstimmung von Beleg und SKU überprüft, integriert in eine Streaming-Pipeline auf Databricks.
Entwickelte eine multimodale Attribut-Inferenz-Pipeline, aufgebaut aus kooperierenden Vision-Sprach-, Regel-/Konsistenz- und Compliance-Agenten, um NutriScore, Nährwertfelder und Verpackungsarten aus Namen und Bildern mit LLaMA 3-8B und CLIP-Embeddings zu ermitteln.
Entwickelte ein GenAI-basiertes Orchestrierungssystem, das Rezepte von mehreren Websites einliest, Zutaten über strukturierte Extraktions-Agenten analysiert und diese dynamisch über Tagging, semantisches Reasoning und Business-Rule-Agenten mit Echtzeit-Händlerangeboten verknüpft.
Noushiq M.
Letzte Position:
Projekte bei Institute for Intelligent Systems
- Bewertung und Analyse eines kamerabasierten Systems zur Erkennung von Ampeln und Verkehrszeichen in verschiedenen LLM-basierten Systemen für autonomes Fahren (LMDrive, BEVDriver)
- Implementierung einer VLM-basierten Einheit zur Generierung von Anweisungen zu Verkehrshinweisen für ein autonomes Fahrsystem mit geschlossenem Regelkreis, die Fahrer bei unvorhergesehenen Verkehrssituationen warnt
- Entwicklung eines unabhängigen lokalen, LLM-basierten Chatbots mit Llama, DeepSeek und Qwen sowie eines MLflow-Bewertungsframeworks
Philipp G.
Letzte Position:
Data Scientist & ML Engineer bei Data-Science Factory GmbH
- Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
- Implementierung automatisierter End-to-End-Cloud-Prozesse
- Entwicklung von LLM- und NLP-Modellen
- Erstellung interaktiver Reports
- Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten
Jens D.
Letzte Position:
Product Owner und Leitender Data Scientist bei Legal Tech
- Leitung eines internationalen sechsköpfigen Entwickler-Teams im Scrum-Umfeld
- Festlegung der strategischen Ziele für das Projekt in Abstimmung mit den Stakeholdern und dem Entwicklungsteam
- Prompt Engineering für Sprachmodelle zur Verbesserung der Genauigkeit und Relevanz der generierten Antworten
- Implementierung von LangChain Komponenten eines RAG Chatbots zur Beantwortung rechtlicher Fragen
- Technologien: GPT-4, LangChain, Python (Pandas, sklearn, streamlit), Docker, GitLab, ChromaDB
Aravind S.
Letzte Position:
KI- und Datenspezialist bei Emirates Islamic Bank
- Entwarf und implementierte LLM-basierte KI-Agenten, RAG-Pipelines und Vektorsuchlösungen zur Entscheidungsunterstützung in der Retail-Banking-Abteilung.
- Entwickelte und lieferte robuste KI-Pipelines mit Schutzmechanismen, Fehlerbehandlung, Monitoring und Fallback-Logik, um hohe Zuverlässigkeit und Einhaltung der Datenschutzbestimmungen zu gewährleisten.
- Entwickelte und implementierte ML-Modelle zur Erkennung von Transaktionsanomalien, wodurch die Betrugserkennung und Risikobewertung in großen Datensätzen für das Kreditrisikomodell verbessert wurden.
- Erstellte, bewertete und optimierte ML-Modelle zur Generierung von Propensity Scores für Kunden, die in personalisierten Targeting-Kampagnen für Kreditkarten und Privatkreditprodukte eingesetzt wurden.
- Entwickelte eine NLP-Pipeline mit BERT-Embeddings und spaCy NER für SMS-/E-Mail-Analysen und Kundenanfragenprotokolle.
- Trainierte Machine-Learning-Modelle mit Isolation Forest, um Nutzerverhalten zu klassifizieren und Anomalien zu erkennen.
- Extrahierte, bereinigte, angereicherte und feature-engineerte Datensätze aus verschiedenen Quellen, um Feature Stores zu erstellen, die das Training von ML-Modellen ermöglichten.
- Leitete die Entwicklung von Dashboards mit Power BI, Grafana und Prometheus zur Überwachung der Modellleistung, KPI-Trends und Marketing-Kennzahlen.
- Erstellte Multi-Touch-Attributionsmodelle mit logistischer Regression und zeitverfallbasierten Gewichtungen zur Bewertung der Lead-Qualität.
- Entwickelte skalierbare ETL-Pipelines aus CRM, T24, SAP und ERP zur Unterstützung von Millionen monatlicher Transaktionen.
- Integrierte Testverfahren und CI/CD-Workflows für eine stabile Bereitstellung von Datenpipelines.
Christian S.
Letzte Position:
Data Scientist/KI-Ingenieur bei The Marcom Engine GmbH & Co. KG
- Konzeption und Implementierung von KI-Agenten in der AWS-Cloud
- Kontinuierliche Abstimmung mit Stakeholdern
- Zusammenarbeit mit DevOps
- Technologien: Git, CI/CD (GitHub Actions), Python/ML, Streamlit, Deno/TypeScript, AWS SAM, AWS Bedrock, AWS Lambda, AWS DynamoDB, AWS S3, AWS EventBridge usw.
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Machine Learning Engineer Intern
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Weimar, Deutschland arbeiten
