Deepak Mishra-Lead ML Platform Engineer
Tagessatz prüfen
Erfahrungen
Lead ML Platform Engineer
Billie GmbH
- Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
- Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
- Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
- Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
- Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
- Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
- Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
- Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
- Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
- Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices
Lead Machine Learning Engineer
TwoTronic GmbH
- Mentor eines Teams aus 3 ML-Engineers bei der Entwicklung von Computer-Vision-Modellen, Deployment-Praktiken und Best Practices für die Produktion; Durchführung von Code-Reviews und technischen Design-Sessions
- Architektur und Lieferung produktionsreifer Computer-Vision-Pipelines für Fahrzeugschadenserkennung und Informationsextraktion; Verarbeitung von 100K+ Bildern pro Tag mit 95% Genauigkeit; Verantwortung für den gesamten ML-Lifecycle von der Datenannotation bis zum Produktions-Monitoring
- Aufbau einer Multi-Tenant- und Single-Tenant-Architektur für 5+ Enterprise-Kunden mit isolierten Modell-Inferenz-Pipelines auf Kubernetes; Implementierung von Auto-Scaling zur Reduktion der Infrastrukturkosten um 30%
- Aufbau automatisierter ML-Pipelines für Model Retraining, A/B-Testing und schrittweise Rollouts; Verkürzung des Modell-Update-Zyklus von 4 Wochen auf 1 Woche durch vollständige Automatisierung
Senior Machine Learning Engineer
Latana GmbH
- Design und Deployment automatisierter ML-Pipelines mit Metaflow für verteiltes Training und Batch-Inference im großen Maßstab; Verarbeitung von 10M+ Umfrageantworten pro Monat mit reproduzierbaren, versionierten Workflows
- Aufbau von Agile/Scrum-Prozessen für ein Data-Science-Team mit 12 Personen, Durchführung von Sprint-Planung und Retrospektiven sowie Zusammenarbeit mit DevOps bei der Deployment-Automatisierung; Reduktion der Release-Zyklen um 40%
- Integration von Monitoring-, Logging- und Debugging-Tools direkt in den Produktionscode; Reduktion der Mean Time to Resolution um 55% und Verbesserung der Modellzuverlässigkeit auf 99,2% Uptime
- Zusammenarbeit mit Data Engineering, DevOps und Product Teams, um Anforderungen an ML-Modelle mit Geschäftszahlen und Infrastruktur-Fähigkeiten abzustimmen
Senior Machine Learning Engineer
Candis GmbH
- Architektur skalierbarer ML-Infrastruktur für 8+ Produktionsmodelle mit Hybrid-Cloud-Deployment (AWS und On-Premise-Kubernetes); Aufbau von Model-Versionierung, A/B-Testing-Framework und Deployment-Standards
- Mentoring und Weiterbildung von 4 Junior-ML-Engineers in produktionsreifen ML-Best Practices, Code-Qualität und Systemdesign; 2 Beförderungen in Mid-Level-Rollen innerhalb von 18 Monaten erreicht
- Lieferung von Invoice Classification & Extraction (93% F1-Score), Transaction Fee Parsing, Fraud Detection (Betrug um 40% reduziert), Customer Metrics Tracking und NLP-Pipelines mit tiefen neuronalen Netzen, Graph-Algorithmen und Embeddings
- Implementierung von End-to-End-Deployment-Pipelines auf AWS (SageMaker, Lambda, Elastic Beanstalk) und On-Premise-Kubernetes mit Helm Charts, Spinnaker und Terraform; Etablierung von Best Practices für CI/CD, Monitoring und Observability
- Einsatz graphbasierter Algorithmen für das Modellieren von Transaktionsbeziehungen, Embedding-Techniken für semantische Dokumentsuche und verteiltes Training für große neuronale Netze
Machine Learning Engineer
Lesara GmbH
- Als einziger ML Engineer verantwortlich für End-to-End-ML-Lösungen innerhalb von Agile Sprints, einschließlich Recommendation Engines (20% CTR-Verbesserung), CLV-Schätzung, Echtzeit-Geschlechtserkennung mit Bayes'schen Modellen und Optimierung von Google-Ads-Bidding (15% ROAS-Verbesserung)
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Bank- und Finanzwesen, Informationstechnologie (IT), Automotive, Mode und Bekleidung und Einzelhandel.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Informationstechnologie (IT), Produktentwicklung, Business Intelligence und Projektmanagement.
Zusammenfassung
Lead ML Platform Engineer mit über 8 Jahren Erfahrung im Aufbau skalierbarer ML-Infrastruktur, in der Leitung von Engineering-Teams und in der Lieferung produktionsreifer AI/ML-Lösungen. Nachgewiesene Expertise im Aufbau von End-to-End-MLOps-Plattformen, im Mentoring von Engineering-Teams mit 5–8 Mitgliedern und in der Definition der technischen Strategie für ML-Systeme mit Millionen von Nutzern. Tiefe Erfahrung mit Cloud-Plattformen (AWS/GCP-ready), Kubernetes-Orchestrierung, ML-Workflow-Automatisierung (Airflow, Metaflow, Vertex Pipelines-kompatibel) und modernen AI-Technologien (LLMs, RAG-Systeme, Vector DBs). Nachweislich konnte ich Deployment-Zyklen um 40% verkürzen, die Modellzuverlässigkeit auf 99,5% Uptime verbessern und durch Infrastruktur-Automatisierung jährliche Kosteneinsparungen von über 200K $ erzielen.
Fähigkeiten
- Ml-Plattform-Architektur
- Verteilte Systeme
- Vektor- & Graph-Datenbanken
- Engineering Leadership
- Workflow-Orchestrierung
- Llms, Rag, Generative Ai
- Cloud-Infrastruktur (Gcp/Aws)
- Model Governance
- Team-Mentoring & Strategie
- Kubernetes & Containerisierung
- Kostenoptimierung
- Terraform & Iac
- Mlops- & Ci/Cd-Pipelines
- Python, Go (Lernen)
- Observability & Monitoring
- Cloud-Plattformen: Aws (Sagemaker, Ec2, Lambda, S3, Dynamodb, Redshift, Step Functions)
- Gcp-Ready: Vertex Ai (Training, Pipelines, Model Registry, Feature Store), Gke, Cloud Run, Bigquery, Dataflow, Cloud Storage, Iam
- Ml & Ai: Tensorflow, Pytorch, Scikit-Learn, Xgboost, Llms (Gpt, Claude), Rag-Systeme, Langchain, Langgraph, Agentic Ai (Mcp), Computer Vision (Opencv), Nlp, Generative Ai, Model Governance
- Orchestrierung & Workflow: Metaflow, Argo Workflows, Airflow, Kubeflow (Vertex Pipelines-Kompatibel), Aws Step Functions
- Infrastruktur & Devops: Kubernetes, Docker, Terraform, Helm Charts, Spinnaker, Gitops, Ci/Cd (Github Actions, Gitlab Ci), Infrastructure-As-Code
- Datenbanken: Postgresql, Vektor-Dbs (Pgvector, Pinecone-Ready), Graph-Dbs (Neo4j), Redis, Mongodb, Snowflake, Bigquery, Dynamodb
- Observability: Prometheus, Grafana, Cloudwatch, Logging, Alerting, Model Monitoring, Performance-Tracking, Slo/Sla-Management
- Programmierung: Python (Experte), Typescript, C, Go (Lernen), Sql
- Verteilte Systeme: Distributed Training, Data Pipelines, Microservices, Event-Driven Architecture, Skalierungsmuster
- Ml Governance: Model Lineage, Versionierung, A/B-Testing, Feature Engineering, Experiment Tracking, Reproduzierbarkeit, Audit Trails
Sprachen
Ausbildung
Kiel University
Master of Science in Digital Communication · Digitale Kommunikation · Deutschland
Ganpat University
Bachelorabschluss in Elektrotechnik und Kommunikationstechnik · Elektrotechnik und Kommunikationstechnik · Indien
Statistiken
Erfahrung
Globale Erfahrung
Fachkenntnisse
Profil
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Deepak ist in Berlin, Deutschland ansässig.
Deepak spricht folgende Sprachen: Englisch (Verhandlungssicher), Deutsch (Fortgeschritten).
Deepak hat mindestens 9 Jahre Erfahrung. In dieser Zeit hat Deepak in mindestens 4 verschiedenen Rollen und für 5 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 10 Monate. Beachten Sie, dass Deepak möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Deepak gut geeignet für Rollen wie: Lead ML Platform Engineer, Lead Machine Learning Engineer, Senior Machine Learning Engineer.
Die neueste Position von Deepak ist Lead ML Platform Engineer bei Billie GmbH.
In den letzten Jahren hat Deepak für Billie GmbH, TwoTronic GmbH und Latana GmbH gearbeitet.
Deepak hat die meiste Erfahrung in Industrien wie Bank- und Finanzwesen, Informationstechnologie (IT) und Mode und Bekleidung. Deepak hat auch etwas Erfahrung in Einzelhandel und Automotive.
Deepak hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT), Produktentwicklung und Business Intelligence. Deepak hat auch etwas Erfahrung in Projektmanagement.
Deepak hat kürzlich in Industrien wie Informationstechnologie (IT), Bank- und Finanzwesen und Automotive gearbeitet.
Deepak hat kürzlich in Bereichen wie Informationstechnologie (IT), Produktentwicklung und Projektmanagement gearbeitet.
Deepak besuchte Kiel University für Digitale Kommunikation.
Deepak 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 4 Sep 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Ähnliche Freelancer
Entdecke andere Experten mit ähnlichen Qualifikationen und Erfahrungen
Tungi Dang
Max Ritter
Jürgen Fey
Mathias Wilhelm
Ulf Schiebener
Louis Guitton
Martin Hermann
Stephan Baier
Ivaylo Sieme
Yannick Schuchmann
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Lead ML Platform Engineer
Arne Hendricks
Alex Ischenko
Mahabub Akram
Thomas Übermeier
Tan Pham
Stefan Ojanen
Marijn Scholtens
Thomas Hoefkens
Frédéric Klein
Laurin Hagemann
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Berlin, Deutschland arbeiten
Sascha Bach
Andreas Rühl
Silvia Bürmann
Chris Wolf
Dmitry Pankov
Björn Stark
Erik Waldenmaier
Nune Isabekyan
Mladen Blagojevic
Hubertus Freelancer
