Gabin Maxime N.-KI-/ML-Ingenieur · Agentische KI
Tagessatz prüfen
Erfahrungen
Multi-Agenten-F&E-Pipeline (3 individuelle Agenten)
Eigenständiges Projekt
Claude-Code-Subagenten, MCP, Pydantic V2, pytest, bandit
Drei spezialisierte Agenten entwickelt und ausgeliefert, die die Arbeit entlang einer Kette weitergeben: Ein Forschungsagent verfasst eine zitierte Implementierungsspezifikation, ein Coding-Agent erstellt den modularen Code und dessen Tests, und ein Review-Agent ordnet die Ergebnisse nach Schweregrad und wendet die Korrekturen an. Jede Übergabe ist ein strukturiertes Dokument, sodass keine Phase vom Kontextfenster eines anderen Agenten abhängt.
Den Forschungsagenten an einen MCP-Server für akademische Recherche angebunden (Semantic Scholar, ArXiv, Hugging Face Hub, Zitationsnetzwerke), sodass jede Referenz auf ein Tool-Ergebnis und nicht auf das Modell zurückgeht. Commits durch ruff, mypy, pytest und bandit abgesichert, menschliche Freigabe vor Installationen und Commits verlangt und den Sitzungsstatus auf der Festplatte gespeichert, damit lange Durchläufe einen Kontext-Reset überstehen.
Agentischer ERP-Supply-Chain-Copilot
Eigenständiges Projekt
LangGraph, MCP, OR-Tools, CVXPY, CRAG, DSPy, AKS
Die Arbeit zwischen Sprachmodell und Code aufgeteilt: Ein LangGraph-Orchestrator ordnet jede Frage einer von 10 Kategorien zu, das Modell übernimmt die Sprache, und 7 OR-/CVXPY-/SciPy-Solver führen die Mathematik hinter typisierten Pydantic-Verträgen aus. Code mit nachweisbaren Garantien führt den vom Modell erstellten Plan aus.
Das Sicherheitsnetz aufgebaut: ein Live-Test mit 100 Fragen auf dem echten Klassifikator (90-%-Genauigkeitsschranke), eine Retrieval-Pipeline (BGE-large, pyvector und BM25), die ihre eigene Anfrage umschreibt, wenn die zurückgegebenen Dokumente nicht zum Thema passen (Recall@5 über 0,80), sowie eine menschliche Freigabe für Entscheidungen über 10.000 $.
LLM-Alignment-Pipeline
Eigenständiges Projekt
PyTorch, Hugging Face, LoRA, QLoRA, DPO, MLflow
Llama 3 8B anhand von 6.000 FinQA-Beispielen mit LoRA feinabgestimmt und die Token-Genauigkeit von 49,9 % auf 74,8 % erhöht. 1.800 Präferenzpaare mit Zephyr 7B-β (RLAIF) gekennzeichnet und anschließend DPO angewendet, wodurch die Belohnungsgenauigkeit auf 98,1 % stieg. Mit Prometheus 2 bewertet, getrennt von Zephyr gehalten, damit kein Modell seine eigene Arbeit bewertet, jeden Lauf in MLflow erfasst und den Adapter auf Hugging Face veröffentlicht (G-Maxime-N/llama3-8b-finqa-dpo).
Produktionsreifer RAG-Chatbot
Eigenständiges Projekt
FastAPI, Chainlit, FAISS, LangChain, Docker, GitHub Actions
Einen asynchronen FastAPI-Service entwickelt, der Antworten Token für Token streamt, sich an die letzten 12 Gesprächswechsel erinnert und seinen eigenen Zustand meldet. Einen Thread-Sicherheitsfehler in einem asyncio-Generator behoben und eine Kaltstartverzögerung von 230 MB durch Docker-Health-Checks beseitigt.
Releases über GitHub Actions nach GHCR automatisiert, sodass jedes bereitgestellte Image auf den Commit zurückgeführt werden kann, durch den es erstellt wurde, und bei Fragen über mehrere wissenschaftliche Dokumente hinweg eine Zitationspräzision von 0,8373 (ALCE) erreicht.
KI-Forschungsberater: LLM-Reasoning und Evaluierung agentischer KI
Outlier AI und Mercor
- Identifizieren, an welcher Stelle das schrittweise Schlussfolgern eines Sprachmodells bei schwierigen MINT-Problemen fehlschlägt, und die Korrektur schreiben, die zum Trainingssignal (RLHF) wird, durch das die nächste Modellversion genauer wird.
- KI-Agenten danach bewerten, ob sie das richtige Tool auswählen und bei langen Aufgaben auf Kurs bleiben (Reasoning im ReAct-Stil, Function Calling, Verwaltung langer Kontexte), und unklare Fälle anhand einer schriftlichen Rubrik entscheiden.
- Bewertungsrubriken entwickeln und Peer-Reviews leiten, um Prompt Engineering in einer verteilten Gruppe konsistent zu halten, und schwierige mathematische Inhalte in Trainingsdaten umwandeln, denen das Team vertrauen kann.
Wissenschaftlicher Mitarbeiter und Doktorand
Ludwig-Maximilians-Universität München
- Ich habe die Bedingungen bestimmt, unter denen der stochastische Gradientenabstieg (SGD), die Grundlage fast des gesamten Modelltrainings, garantiert konvergiert. Damit habe ich Ingenieuren gezeigt, wie aggressiv sie trainieren können, bevor ein Lauf scheitert.
- Ich habe ein Projekt zur erklärbaren KI (XAI) umgesetzt, das Ausfälle in industriellen Kraftwerken früh erkennt und den Grund für jede Warnung nennt. Mit 6 Ensemble-Lernverfahren und SHAP erreichte es einen F1-Wert von 0,99 und blieb standortübergreifend fair (Disparate-Impact-Verhältnis 0,95).
- Ich habe Aufbaustudierende in Optimierung, maschinellem Lernen und Data Science unterrichtet und einen umstrittenen Beweisschritt vor dem Redaktionsausschuss von Springer Nature bis zur Annahme verteidigt.
Wissenschaftlicher Mitarbeiter und Doktorand
RWTH Aachen
- Ich habe praxisnahe Bedingungen für die Lernrate beim Gradientenabstieg in tiefen Netzwerken hergeleitet, die nicht exponentiell abnehmen, wenn das Netzwerk tiefer wird. Dadurch habe ich eine Einschränkung beseitigt, die den Einsatz der früheren Theorie in der Praxis verhindert hatte.
- Ich habe die Theorie mit groß angelegten Trainingsläufen in PyTorch auf einer Hochleistungsrecheninfrastruktur überprüft und die Arbeit auf mehrere Knoten verteilt, um die Laufzeit jedes Experiments zu verkürzen.
- Ich habe kontinuierliche Optimierung und die Mathematik der Data Science unterrichtet und Kursmaterialien erstellt, die fortgeschrittene Theorie für Ingenieurstudierende greifbar machten – in einer Forschungsgruppe mit 9 Nationalitäten.
Praktikant im Bereich maschinelles Lernen
Group One Holding Company
- Ich habe Daten zum Treibstoffverbrauch in der Telekommunikation analysiert, um die Ursache des Treibstoffverlusts zu ermitteln, und 4 Modelle für maschinelles Lernen verglichen (Gradient Boosting lag mit einer Nash-Effizienz von 98 % vorn). Das beste Modell habe ich als Flask-Webanwendung mit einem Monitoring-Dashboard bereitgestellt und damit 84.617 Liter Treibstoff eingespart.
- Ich habe die Aufnahme von Logdaten automatisiert und die Berichtszeit von Tagen auf Sekunden verkürzt. Anschließend habe ich die Ergebnisse und die Argumente für die Einführung den Unternehmensleitern und dem Betriebsleiter vorgestellt.
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Bildung, Informationstechnologie (IT), Energie, Telekommunikation und Transport und Logistik.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Forschung und Entwicklung (F&E), Informationstechnologie (IT), Betrieb, Qualitätssicherung, Business Intelligence und Logistik.
Zusammenfassung
KI-Forschungswissenschaftler und Machine-Learning-Ingenieur. Entwickelt KI-Systeme, die echte Nutzer erreichen, und weist anschließend mit messbaren Zahlen nach, dass sie funktionieren. Das aktuelle Projekt ist ein KI-Assistent, der eine Geschäftsfrage entgegennimmt, sie in Schritte aufteilt und für jeden Schritt das passende Tool auswählt. Er prüft seine eigene Antwort, bevor ein Mensch sie sieht. Ein früheres Projekt verwandelte eine Kraftstoffstudie in eine Software, die Außendiensttechniker selbst bedienen konnten, wodurch 84.617 Liter Kraftstoff eingespart und die Berichtszeit von Tagen auf Sekunden verkürzt wurden. Springer Nature veröffentlichte die Forschungsseite: wie sich Deep-Learning-Modelle schneller und zuverlässiger trainieren lassen. Übernimmt das Problem vom ersten Datenabruf bis zum laufenden Service. Nichts geht live, bevor es eine eigens dafür entwickelte Testsuite besteht.
Fähigkeiten
Programmierung & Daten
- Python (Modular, Pandas, Numpy, Scipy, Scikit-Learn)
- Pytorch
- Sql Und Vektordatenbanken (Postgresql, Pgvector, Faiss)
- Fastapi
- Pydantic V2
- Flask
- Rest-Apis
- Bash
Agentische Ki, Llms & Rag
- Ki-Agenten
- Agentische Systeme
- Multi-Agenten-Orchestrierung
- Chain-Of-Thought
- React
- Verwaltung Langer Kontexte
- Tool-GestüTzte Generierung
- Orchestrierung Von Subagenten
- Mcp-Server-Integration
- Kontext-Engineering
- Human-In-The-Loop-PrüFpunkte
- Langgraph
- Langchain
- Mcp
- Dspy
- Rag
- Crag
- Prompt Engineering
- Hugging Face (Transformers, Trl, Peft)
- Fine-Tuning (Lora, Qlora)
- Sft
- Rlaif
- Dpo
- Rlhf
Evaluierung & Experiment-Tracking
- Entwicklung Von Evaluierungs-Frameworks
- Live-Evaluierungen
- Analyse Von Fehlermustern
- Ursachenanalyse
- Red Teaming
- Rubrikbasierte Evaluierung
- PräFerenzkennzeichnung
- QualitäTsschranken
- Recall@K
- Alce
- Ragas
- Prometheus 2
- Mlflow
- EindäMmung Von Halluzinationen
Machine Learning & Forschung
- Deep Learning
- Statistik
- Nichtkonvexe Optimierung
- Konvergenzanalyse
- Bayes'Sche Optimierung
- Experimentelles Design
- Gradient Boosting
- Random Forest
- Svm
- Anomalieerkennung
- ErkläRbare Ki (Shap)
- PräDiktive Modellierung
- Explorative Datenanalyse (Eda)
- Nlp
- Solver FüR Operations Research
Mlops, Devops & Cloud
- Docker
- Github Actions (Ci/Cd)
- Ghcr
- Kubernetes
- Opentelemetry
- Langsmith
- Git
- Pytest
- Verteiltes Training
- Hpc
- Aws
- Google Cloud Vertex Ai
- Azure Kubernetes Service (Aks)
- Agil (Scrum)
Sprachen
Ausbildung
LMU München und RWTH Aachen
Promotion · Angewandte Mathematik: Optimierung tiefer neuronaler Netze · Deutschland
African Institute for Mathematical Sciences (AIMS)
MSc · Industriemathematik: Machine Learning · Kamerun
Universität Yaoundé I
MSc · Angewandte Mathematik: Dynamische Systeme und Modellierung · Kamerun
Zertifikate & Bescheinigungen
Fortgeschrittene agentische Programmierung
Outlier AI
Modellparallelisierung: Entwicklung und Bereitstellung großer neuronaler Netze
NVIDIA
Generative KI mit großen Sprachmodellen
DeepLearning.AI und AWS
Machine Learning Engineering für die Produktion (MLOps) – Spezialisierung
DeepLearning.AI
Strukturierung von Machine-Learning-Projekten
DeepLearning.AI
Statistiken
Erfahrung
Globale Erfahrung
Fachkenntnisse
Qualifikationen
Profil
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Gabin Maxime ist in Freising, Deutschland ansässig und kann in On-Site-, Hybrid- und Remote-Arbeitsmodellen arbeiten.
Gabin Maxime spricht folgende Sprachen: Französisch (Muttersprache), Englisch (Verhandlungssicher), Deutsch (Fortgeschritten).
Gabin Maxime hat mindestens 8 Jahre Erfahrung. In dieser Zeit hat Gabin Maxime in mindestens 7 verschiedenen Rollen und für 5 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 1 Jahr. Beachten Sie, dass Gabin Maxime möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Gabin Maxime gut geeignet für Rollen wie: Multi-Agenten-F&E-Pipeline (3 individuelle Agenten), Agentischer ERP-Supply-Chain-Copilot, LLM-Alignment-Pipeline.
Die neueste Position von Gabin Maxime ist Multi-Agenten-F&E-Pipeline (3 individuelle Agenten) bei Eigenständiges Projekt.
In den letzten Jahren hat Gabin Maxime für Eigenständiges Projekt, Outlier AI und Mercor, Ludwig-Maximilians-Universität München und RWTH Aachen gearbeitet.
Gabin Maxime hat die meiste Erfahrung in Industrien wie Bildung, Informationstechnologie (IT) und Energie. Gabin Maxime hat auch etwas Erfahrung in Telekommunikation und Transport und Logistik.
Gabin Maxime hat die meiste Erfahrung in Bereichen wie Forschung und Entwicklung (F&E), Informationstechnologie (IT) und Betrieb. Gabin Maxime hat auch etwas Erfahrung in Qualitätssicherung, Business Intelligence und Produktentwicklung.
Gabin Maxime hat kürzlich in Industrien wie Bildung, Informationstechnologie (IT) und Energie gearbeitet.
Gabin Maxime hat kürzlich in Bereichen wie Forschung und Entwicklung (F&E), Informationstechnologie (IT) und Qualitätssicherung gearbeitet.
Gabin Maxime hat einen Doktor in Angewandte Mathematik: Optimierung tiefer neuronaler Netze von LMU München und RWTH Aachen, einen Master in Industriemathematik: Machine Learning von African Institute for Mathematical Sciences (AIMS), einen Master in Angewandte Mathematik: Dynamische Systeme und Modellierung von Universität Yaoundé I und einen Bachelor in Angewandte Mathematik von Universität Douala.
Gabin Maxime hat 5 Zertifikate. Darunter sind: Fortgeschrittene agentische Programmierung, Modellparallelisierung: Entwicklung und Bereitstellung großer neuronaler Netze und Generative KI mit großen Sprachmodellen.
Gabin Maxime 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 10 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
Thomas H.
Anton K.
Tim R.
Chaima D.
Aziz A.
Stylianos I.
André G.
Tobias R.
Filipp T.
Mirza K.
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Multi-Agenten-F&E-Pipeline (3 individuelle Agenten)
Marcel M.
Tomas S.
Patrick W.
Felix S.
Stephan F.
Manuel P.
Serge K.
Matthias I.
Vitalijs V.
Kai S.
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Freising, Deutschland arbeiten
Johannes H.
Antonio D.
Olga B.
Kristina S.
Nenad C.
Ales L.
Marco S.
Stephan R.
Markus H.
Peter F.
