Fabian Crabus-GIS- & KI-Architekt – Computer Vision und Geodaten

GPS-unabhängige Positionsbestimmung von Drohnen auf Basis geocodierter Flächendaten: Aufbau einer Pipeline von der Segmentierung von Satelliten- und Drohnenbildern über die Vektorisierung als 3D-GeoJSON bis zum Polygon-Matching gegen ein Referenzbild.

• Objektesegmentierung von SAR-Daten: Erkennung von Vegetation, Gebäuden und Gräben
• Objektesegmentierung von EO-Drohnendaten
• Umwandlung der Segmentierungsergebnisse in 3D-GeoJSON-Polygone
• Abgleich der aktuellen Polygone gegen das Referenz-Gesamtbild zur Lokalisierung

Technologien: U-Net, DINOv3, PyTorch

• Auswertung von Polizeiberichten mit LLMs und Named Entity Recognition
• Vergleich von Standard-Open-Source-Systemen vs. fein abgestimmten Modellen auf einem GPU-Cluster vor Ort

• Eigenentwicklung eines Retrieval-Augmented-Generation-LLM mit Ollama und Langchain4j für domänenspezifische Anfragen

• Erstellung von KI-Modellen zur Auswertung von Audiodaten mit CNN auf FFT- und STFT-Daten
• Untersuchung von Predictive Maintenance zur Verschleißerkennung

„Das Bloomberg-Terminal für die Schifffahrt“: Aufbau eines Startups zur Digitalisierung der kommerziellen Schifffahrt. Die Plattform verknüpft Sensordaten mit einer Vielzahl weiterer Datenquellen und gibt Reedern und Brokern tiefe Einblicke in die Container- und Bulker-Seefahrt für bessere Chartering-Abschlüsse.

• Entwicklung skalierbarer Microservices mit Quarkus, Javalin, Spring Boot und JBoss 7.4

• Optimierung relationaler und NoSQL-Datenbanken (PostgreSQL, MongoDB, DuckDB, Druid) mit JPA/Hibernate/Panache

• Anbindung externer APIs und ETL-Prozesse über REST, GraphQL, AWS Lambda, Spark und Flink

• Aufbau einer robusten Kafka-Infrastruktur und Einsatz von AWS-Diensten (S3, Kinesis, SNS, SQS, SageMaker, Lambda)

• Profiling, Debugging und Optimierung zur Steigerung der Softwareeffizienz

• Entwicklung und Training von KI-Modellen für Textverarbeitung (Bi-LSTM, LLM), Anomalieerkennung (Autoencoder), Computer Vision (YOLO, CNN, UNet), Zeitreihenanalyse (LSTM) und OCR-Tools (NER, LLM)

• Verarbeitung und Analyse großer Datenmengen (>50 GB/Tag) mit Spark, Flink und Druid

• Entwicklung und Optimierung von ETL-Pipelines (NMEA AIS → Kafka → Flink → Parquet → Tile38 → KI-Modell)

• Entwicklung von Geofencing-Toolchain, Clustering-Analysen, Data-Cleanup- und Downsampling-Verfahren sowie Modellen zur Distanzberechnung und Routenoptimierung

• Visualisierung geospatialer Daten mit QGIS, Kepler, ArcGIS, deck.gl, Python und Spark

Technologien: Java 17 (Quarkus, Javalin, Spring Boot), Python, PyTorch, TensorFlow, Deeplearning4j, Langchain4j, Hugging Face Transformers, spaCy, OpenCV, CVAT, Tesseract, Kafka, Spark, Flink, Druid, Superset, PostgreSQL/PostGIS, MongoDB, DuckDB, Elasticsearch, GeoParquet, Avro, GraphQL, React, Ant Design, deck.gl, Plotly, D3, JTS, GeoTools, Spatial4j, Apache SIS, RasterIO, GeoPandas, Shapely, Pandas

Cloud: AWS (EC2, S3, Kafka MSK, Kinesis, SNS, SES, SQS), DigitalOcean, Imply Polaris, Jupyter

Umfeld: Requirements Engineering, UML, C4, JUnit, JMeter, JProfiler, QGIS, ArcGIS, CI/CD, Jenkins, Docker, Kubernetes

• Aufbau und Führung eines 12-köpfigen Entwicklungsteams im Paketautomationsumfeld
• Forschungsprojekte zu Routenoptimierung und Laderaumüberwachung
• Internationale Enterprise-Integration in Dubai, Dänemark und Norwegen (Camel, ServiceMix, SOAP, SAP JCO)
• Entwicklung einer arbeitspsychologischen Assessment-Lösung
• Erstellung und Umsetzung der Softwarearchitektur

• Entwicklung einer Plattform zur Steuerung von Paketautomaten
• Erstellung und Dokumentation der Architektur sowie Implementierung mit Java 4, J2EE, EJB 2, Spring, JMS und SonicMQ
• Einsatz von Rule Engines (Drools), Oracle und Messaging-Lösungen
• Durchführung von Tests und Dokumentation im V-Modell XT