Gabin Maxime N.-KI/ML-Ingenieur · Agentische KI

Ich bin KI/ML-Ingenieur und angewandter Wissenschaftler und entwickle KI-Systeme. Meine Arbeit verbindet Optimierung und produktive KI: agentische KI, Multi-Agenten-Systeme, RAG und LLM-Alignment.

Die Theorie des Deep Learning garantiert Konvergenz unter Bedingungen, die reale neuronale Netze nicht erfüllen. In der Praxis werden Lernraten durch Versuch und Irrtum angepasst. Meine Promotion hat diese Lücke verkleinert: Ich habe die Konvergenz für Gradientenabstieg und stochastischen Gradientenabstieg unter Bedingungen nachgewiesen, die tatsächlich gelten, mit Lernraten, die sich vor Beginn des Trainings berechnen lassen. Springer Nature (2024)

Was ich entwickle: Agentische KI-Copiloten, die ERP-Aktivitäten unterstützen und die Berechnungen an Code übergeben. Mein Supply-Chain-Copilot leitet jede Geschäftsfrage an einen von 7 deterministischen Optimierungslösern weiter. Das Sprachmodell plant die Arbeit und berechnet die Zahl niemals selbst (LangGraph, FastMCP, MCP, OR-Tools, DSPy, Pydantic V2). Jede Ausgabe über 10.000 $ wird für eine menschliche Genehmigung angehalten. Bereitgestellt auf Azure AKS hinter einer CI/CD-Pipeline mit 168 Tests, wobei 98 Prozent der Prompt-Injection-Tests in einer Promptfoo-Red-Team-Suite abgelehnt wurden (Docker, GitHub Actions, LangSmith).

RAG-Systeme, die überprüfbare Quellen zitieren. Meine Plattform für wissenschaftliche Fragen und Antworten erreicht beim QASPER-Benchmark eine ALCE-Zitationspräzision von 0,84 und erkennt den Fall, dass ein Modell selbstbewusst auf eine nicht existierende Publikation verweist (CRAG, ColBERT v2, SPECTER2, pgvector, BM25, FAISS, Neo4j, FastAPI). LLM-Alignment-Pipelines, in denen kein Modell seine eigene Arbeit bewertet. Ich habe Llama-3-8B mit einer dreistufigen Pipeline aus SFT, RLAIF und DPO für mehrstufiges Finanz-Reasoning über SEC-Einreichungen trainiert. Die DPO-Belohnungsgenauigkeit erreichte 97,7 Prozent bei 1.800 Präferenzpaaren, wobei separate Modelle die Präferenzen erzeugten und bewerteten (LoRA, QLoRA, Hugging Face Transformers und TRL, vLLM, MLflow, Prometheus 2).

Prognosemodelle, die sich im praktischen Einsatz bewähren. Mein System zur Kraftstoffprognose für Telekommunikations-Basisstationen erkannte Verbrauchsabweichungen und half dabei, 84.617 Liter Kraftstoff zu sichern. Es läuft im Produktiveinsatz mit einem NSE von 0,986 (Gradient Boosting, Anomalieerkennung, erklärbare KI mit SHAP, Flask, Render). 2018 habe ich Methoden zur Kraftstoffprognose aus dem Automobilbereich an Kraftwerke angepasst, damals eine der ersten ML-Anwendungen in diesem Bereich.

Als wissenschaftlicher Mitarbeiter an der RWTH Aachen und der LMU München habe ich die mathematischen Grundlagen von Machine Learning, Deep Learning, Data Science und Optimierung unterrichtet.