Erfahrungen
Solution Engineer (Daten- & ML-Integration)
Amadeus Data Processing GmbH
- Entwarf ML-fähige Datenintegrations-Workflows zwischen On-Premise-Systemen und Cloud-Plattformen (Snowflake, AWS Redshift, Azure) und ermöglichte so skalierbares Feature Engineering und Deployment von Modellen
- Implementierte automatisierte ML-Pipeline-Bereitstellung mit Python, SQL und CI/CD-Tools und reduzierte die Modellbereitstellungszeit um 60 %
- Entwickelte Logik zur Datenumwandlung für die Stammdatensynchronisation zwischen ERP- und Analysesystemen und sicherte so die Datenqualität für prädiktive Modelle
- Arbeitete mit funktionsübergreifenden Teams zusammen, um Geschäftsanforderungen in mathematische Spezifikationen für ML-Lösungen zu übersetzen
Senior Data Scientist und ML-Ingenieur
IQ-EQ Global Investor Services
- Entwickelte und validierte prädiktive Modelle für Kundensegmentierung und Umsatzprognosen mit Ensemble-Methoden (XGBoost, Random Forest) und erreichte eine Genauigkeit von 85 %
- Setzte fortgeschrittene Techniken der statistischen Modellierung (Bayessche Inferenz, multivariate Regression) ein, um Preisstrategien zu optimieren, und trug so zu einem Umsatzwachstum von 12 % bei
- Operationalisierte ML-Modelle auf der Azure-ML-Plattform und implementierte automatisierte Retraining-Pipelines sowie Monitoring-Dashboards
- Integrierte ERP-Daten mit Cloud-Analytics-Plattformen und verarbeitete komplexe, verteilte Datenquellen für die Feature-Generierung
- Führte Hyperparameter-Tuning und Kreuzvalidierung zur Optimierung von Modellen durch und verbesserte den F1-Score um 18 %
Data Scientist & ML-Spezialist
Ernst and Young (EY)
- Entwickelte produktionsreife ML-Modelle mit TensorFlow und PyTorch zur Vorhersage von Kundenabgängen, erreichte eine Recall-Rate von 89 % und verringerte die Abwanderung um 15 %
- Wandte semi-überwachte Lernverfahren an, um unbeschriftete Daten zu nutzen, und verbesserte die Modellleistung mit wenigen gelabelten Daten um 22 %
- Implementierte Zeitreihenprognosemodelle (Prophet, ARIMA, LSTM) zur Bedarfsprognose und erreichte eine MAE-Verbesserung von 35 % gegenüber der Basislinie
- Entwarf und implementierte skalierbare ML-Infrastruktur auf Snowflake + AWS und verarbeitete täglich über 10 Mio. Kundeninteraktionen
- Führte fortgeschrittenes Feature Engineering durch, inklusive Lag-Features, gleitenden Statistiken und Interaktionstermen, und generierte über 50 Features aus Rohdaten
- Übersetzte komplexe betriebliche Optimierungsprobleme (Budgetallokation, Kampagnen-ROI) in mathematische Formulierungen und setzte Lösungen um
- Verarbeitete semi-strukturierte Daten (JSON, Logs) aus verschiedenen Quellen mit PySpark für verteilte Verarbeitung und Modelltraining
Machine Learning Engineer
Infor
- Entwickelte und operationalisierte Gradient-Boosting-Modelle (XGBoost, LightGBM) zur Vorhersage des Customer Lifetime Value und trug so zu einem Umsatzwachstum von 10 % bei
- Entwickelte End-to-End-ML-Pipelines auf AWS (SageMaker, S3) und Snowflake, einschließlich Datenvorverarbeitung, Modelltraining und automatisierter Bereitstellung
- Setzte Ensemble-Methoden ein, die mehrere Modelle kombinierten, um 92 % Genauigkeit in der Betrugserkennung zu erreichen und False Positives um 40 % zu reduzieren
- Implementierte ein A/B-Test-Framework zur Modellevaluation, um statistische Signifikanz und Geschäftsauswirkungen von ML-Interventionen zu messen
- Führte Datenaufbereitung auf komplexen, verteilten Datenquellen (ERP, E-Commerce, CRM) mit Python und SQL durch
- Optimierte Hyperparameter mittels Grid Search und Bayes-Optimierung, reduzierte die Modelltrainingszeit um 50 % und steigerte gleichzeitig die Performance
Data Scientist
Ecorenew Group
- Entwickelte Zeitreihenprognosemodelle mit ARIMA und Prophet und verbesserte die Prognosegenauigkeit der Nachfrage um 25 % zur Bestandsoptimierung
- Baute eine Preisoptimierungs-Engine mit Regressionsmodellen und Constraint-Optimierung und steigerte die Bruttomarge um 10 %
- Wandte statistische Analysen und Hypothesentests an, um Umsatztreiber und operative Engpässe zu identifizieren
- Integrierte E-Commerce-Daten in Analysesysteme für Echtzeit-Tracking von Verkaufs- und Produktperformance
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Informationstechnologie (IT), Professionelle Dienstleistungen, Tourismus und Gastgewerbe, Einzelhandel und Bank- und Finanzwesen.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Business Intelligence, Informationstechnologie (IT), Lieferkettenmanagement und Finanzen.
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Geraldine ist in Regensburg, Deutschland ansässig.
Geraldine spricht folgende Sprachen: Tagalog (Muttersprache), Englisch (Verhandlungssicher), Deutsch (Grundkenntnisse).
Geraldine hat mindestens 8 Jahre Erfahrung. In dieser Zeit hat Geraldine in mindestens 5 verschiedenen Rollen und für 5 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 6 Monate. Beachten Sie, dass Geraldine möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Geraldine gut geeignet für Rollen wie: Solution Engineer (Daten- & ML-Integration), Senior Data Scientist und ML-Ingenieur, Data Scientist & ML-Spezialist.
Die neueste Position von Geraldine ist Solution Engineer (Daten- & ML-Integration) bei Amadeus Data Processing GmbH.
In den letzten Jahren hat Geraldine für Amadeus Data Processing GmbH, IQ-EQ Global Investor Services, Ernst and Young (EY) und Infor gearbeitet.
Geraldine hat die meiste Erfahrung in Industrien wie Informationstechnologie (IT), Professionelle Dienstleistungen und Tourismus und Gastgewerbe. Geraldine hat auch etwas Erfahrung in Einzelhandel und Bank- und Finanzwesen.
Geraldine hat die meiste Erfahrung in Bereichen wie Business Intelligence, Informationstechnologie (IT) und Lieferkettenmanagement. Geraldine hat auch etwas Erfahrung in Finanzen.
Geraldine hat kürzlich in Industrien wie Informationstechnologie (IT), Professionelle Dienstleistungen und Tourismus und Gastgewerbe gearbeitet.
Geraldine hat kürzlich in Bereichen wie Business Intelligence, Informationstechnologie (IT) und Finanzen gearbeitet.
Geraldine hat einen Master in Angewandte KI für das digitale Produktionsmanagement von Technische Hochschule Deggendorf, einen Master in Business Analytics von Mapua University und einen Bachelor in Industrieingenieurwesen von Polytechnic University of the Philippines.
Die Verfügbarkeit von Geraldine muss bestätigt werden.
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
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.
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.
Jeanne Y.
Letzte Position:
Praktikant Prozessingenieur bei Procter & Gamble
- Automatisierte Validierungs-Workflows mit Python eigenständig initiiert und implementiert, dadurch die manuelle Verarbeitung um 58% reduziert und die Effizienz verbessert
- Ein Machine-Learning-Modell zur Erzeugung synthetischer Fehler entwickelt, Ausfallzeiten und Produktionskosten reduziert; lokal sowie über Databricks und Azure AI Factory bereitgestellt
- Einen kleinen Bilddatensatz aus den Produktionslinien genutzt und durch das Training von Modellen wie cycleGAN und pix2pix erweitert
- Die Linux-basierte Entwicklungsumgebung für das Training von 3D-Modellen aufgebaut und optimiert; die Reproduzierbarkeit über GitHub sichergestellt
- Technische Erkenntnisse funktionsübergreifenden Teams (Ingenieuren, QA, Projektmanagern) präsentiert und so die Abstimmung von ML-Lösungen auf betriebliche Anforderungen sichergestellt
Arun Sai T.
Letzte Position:
AI-Backend-Entwickler-Praktikant bei Calvergy UA
- Komplexe, KI-basierte Energiesystemmodelle in das Frontend-Framework integriert, was die Visualisierung von Erkenntnissen für mehr als 6 Schlüsselkunden ermöglichte und die Energienutzung maximierte.
- Energieeffizienz und Auslastung maximiert, indem der nahtlose Datenfluss zwischen KI-Modellen und der Benutzeroberfläche für schnelle, umsetzbare Berichte konzipiert wurde.
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
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Solution Engineer (Daten- & ML-Integration)
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Regensburg, Deutschland arbeiten
