Erfahrungen
Senior Data Scientist
WPP MEDIA
- Enterprise-Retrieval-Augmented-Generation-(RAG)-Anwendungen mit LangChain, LangGraph, Vektordatenbanken, Embeddings und Open-Source-LLMs entworfen und bereitgestellt, die über vLLM auf GCP-GPU-Infrastruktur betrieben wurden.
- Agentic-AI-Workflows mit LangGraph entwickelt, inklusive Planung, Schlussfolgern, Tool-Ausführung, persistenter Speicherung, Sitzungsverwaltung und Human-in-the-Loop-Freigabemechanismen.
- LLM-gestützte Automatisierungssysteme entwickelt, die BigQuery, SQL-Pipelines und externe Werbe-APIs wie Meta, TikTok, Amazon, Snapchat, Google und Pinterest integrieren und manuelle operative Abläufe reduzieren.
- Multi-Agent-AI-Systeme für Enterprise-Analytics- und Entscheidungsunterstützungs-Workflows entworfen, die autonome Aufgabenausführung und intelligente Dateninteraktionen ermöglichen.
- Retrieval-Optimierungsstrategien umgesetzt, darunter Multi-Retriever-Architekturen, semantische Suche, Kontextoptimierung und Query-Verbesserungstechniken, wodurch die Relevanz der Antworten um etwa 40 % verbessert wurde.
- Strukturierte Prompting-Strategien, Function-Calling-Schemata und Validierungs-Workflows entwickelt, um die Zuverlässigkeit von mehrstufigen LLM-Anwendungen zu verbessern.
- Skalierbare AI-Services mit Python, FastAPI, Cloud Run, Pub/Sub, BigQuery, Docker und cloud-nativen Bereitstellungsarchitekturen entworfen.
Machine Learning Engineer
7NSoft Systems
- Transformer-basierte NLP-Modelle für die automatische SQL-Übersetzung zwischen PostgreSQL und MSSQL entwickelt und dabei eine Übersetzungsgenauigkeit von über 90 % erreicht.
- Automatisierte Machine-Learning-Pipelines mit Scikit-Learn, TPOT und PyCaret entworfen und die Performance des Fraud-Detection-Modells um etwa 18 % verbessert.
- Produktionsreife Machine-Learning-APIs mit FastAPI, Flask und Django gebaut und bereitgestellt.
- MLOps-Workflows mit Docker, Jenkins und GitHub Actions implementiert und die Deployment-Zyklen von Modellen um etwa 40 % reduziert.
- Skalierbare Datenverarbeitungs-Workflows und Machine-Learning-Lösungen für Enterprise-Anwendungen entwickelt.
Data Scientist
Centre for Non-Communicable Diseases (CNCD)
- Skalierbare ETL- und Datenverarbeitungspipelines mit Python, PySpark und SQL für Genomdatensätze mit über 10 TB entwickelt.
- Machine-Learning-Modelle mit Random Forest, Gradient Boosting und Neural Networks für groß angelegte Mustererkennung entwickelt.
- NLP-Klassifizierungspipelines mit Transformer-Architekturen wie BERT und ALBERT gebaut und dabei eine Precision von etwa 92 % bei Textklassifizierungsaufgaben erreicht.
- Machine-Learning-Services mit Docker und Jenkins-basierten CI/CD-Pipelines containerisiert und bereitgestellt.
Adaptive & Corrective RAG System
- Eine fortschrittliche RAG-Architektur mit Query Routing, Retrieval-Evaluation, korrigierendem Retrieval und Antwortvalidierung entwickelt.
- Strategien zur Reduzierung von Halluzinationen und zur Verbesserung der Zuverlässigkeit von Antworten in Enterprise-Wissenssystemen umgesetzt.
Enterprise Agentic RAG Platform
- Einen Enterprise-AI-Assistenten mit LangGraph, LangChain, Vektordatenbanken und LLM-APIs entworfen.
- Mehrstufige Reasoning-Workflows, Retrieval-Pipelines, Tool-Ausführung, Speicherverwaltung und Human-in-the-Loop-Freigabeworkflows implementiert.
- Evaluations-Workflows aufgebaut, um Retrieval-Qualität, Antwortgenauigkeit, Latenz und Zuverlässigkeit zu messen.
LLM-Evaluierungs-Framework
- Evaluation-Pipelines aufgebaut, um die Leistung von LLM-Anwendungen zu messen.
- Abrufqualität, Halluzinationsrate, Antwortgenauigkeit, Latenz und Token-Effizienz bewertet.
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Werbung, Medien, Unterhaltung und Druck, Gesundheitswesen und Informationstechnologie (IT).
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Informationstechnologie (IT), Business Intelligence, Betrieb, Forschung und Entwicklung (F&E) und Produktentwicklung.
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Haseeb ist in Berlin, Deutschland ansässig.
Haseeb spricht folgende Sprachen: Englisch (Verhandlungssicher).
Haseeb hat mindestens 8 Jahre Erfahrung. In dieser Zeit hat Haseeb in mindestens 3 verschiedenen Rollen und für 3 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 3 Jahre und 9 Monate. Beachten Sie, dass Haseeb möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Haseeb gut geeignet für Rollen wie: Senior Data Scientist, Machine Learning Engineer, Data Scientist.
Die neueste Position von Haseeb ist Senior Data Scientist bei WPP MEDIA.
In den letzten Jahren hat Haseeb für WPP MEDIA und 7NSoft Systems gearbeitet.
Haseeb hat die meiste Erfahrung in Industrien wie Werbung, Medien, Unterhaltung und Druck und Gesundheitswesen. Haseeb hat auch etwas Erfahrung in Informationstechnologie (IT).
Haseeb hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT), Business Intelligence und Betrieb. Haseeb hat auch etwas Erfahrung in Forschung und Entwicklung (F&E) und Produktentwicklung.
Haseeb hat kürzlich in Industrien wie Werbung, Medien, Unterhaltung und Druck und Informationstechnologie (IT) gearbeitet.
Haseeb hat kürzlich in Bereichen wie Informationstechnologie (IT), Business Intelligence und Betrieb gearbeitet.
Haseeb hat einen Master in Bioinformatik von Muhammad Ali Jinnah University (MAJU) und einen Bachelor in Informatik von University of Karachi.
Haseeb hat 4 Zertifikate. Darunter sind: AWS Architecting Solutions on AWS, Building Generative AI-Powered Applications with Python und Google Cloud Professional Data Engineer Certification.
Die Verfügbarkeit von Haseeb 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
Julien L.
Letzte Position:
MLOps-Ingenieur bei SAMGEN
- Aufbau und Skalierung von Cloud-Infrastruktur auf GCP zur Unterstützung einer SaaS-Plattform für Industriekunden
- Entwurf und Implementierung einer datengetriebenen DevOps-Pipeline für optimierte Deployments und CI/CD-Workflows
- Zusammenarbeit mit dem Data-Science-Team am MLOps-Workflow zur Automatisierung des integrierten Retrainings
Stefan O.
Letzte Position:
Gründer bei ProtocolEngine.io
Auf Evidenz basierende Health-Intelligence-Plattform, die veröffentlichte Forschung in persönliche Gesundheitsprotokolle übersetzt. Sie bewertet 430 Gewohnheiten, Lebensmittel und Supplements anhand der Studien dahinter und passt den Score an, wenn sich die Evidenz ändert. Allein aufgebaut.
- Die tägliche Ingest-Pipeline über PubMed, bioRxiv und medRxiv aufgebaut: 43.000+ Papers aus 3.400+ Journals verarbeitet zu 230.000+ typisierten Evidenz-Claims, jeder einzelne zurückverfolgbar bis zur Studie, aus der er stammt.
- Das sechs Faktoren umfassende Evidenz-Scoring-Modell und das öffentliche Changelog dahinter entworfen, damit keine Empfehlung ohne die zugrunde liegenden Papers erscheint. Bis heute 23.000+ Score-Änderungen erfasst und erklärt.
- Das Entity-Informationsmodell aufgebaut, das jede Intervention mit ihren Mechanismen, Biomarkern und Outcomes verbindet: 118 Biomarker mit regionsspezifischen Referenzbereichen, 77 Mechanismen, 32 bewertete Outcomes.
- Die Personalisierungsschicht gebaut: Ingestion von Blutwerten, die Labor-PDFs mit einem Vision-Modell ausliest und Ergebnisse anhand der Aufwachzeit des Nutzers korrigiert, plus Integration von Oura, WHOOP und Withings für den täglichen Readiness-Kontext.
- Elf spezialisierte Review-Agents über Korpus und Codebase betrieben, für Paper-Kuration, Retrieval-Qualität, Health-Claim-Compliance über EU- und US-Regime hinweg sowie Security.
- Den Evidence Assistant ausgeliefert, einen RAG-Assistenten, der aus der Claim-Datenbank antwortet und die zugrunde liegenden Papers zitiert, plus eine B2B-Practitioner-Stufe, eine Expo React Native App und Lokalisierung in 3 Sprachen und 7 Märkten.
Stack: Next.js 16, TypeScript, Supabase, pgvector, Anthropic Claude, Vercel, DeepInfra.
Manuel P.
Letzte Position:
KI-Ingenieur bei Misumi Europe GmbH & Motius GmbH
- Eine nächste Generation von NLP-Plattformen entworfen und gebaut, um den vertriebsnahen Kundenservice durch intelligente Anfrageanalyse und Routing zu beschleunigen und die durchschnittliche Antwortzeit auf Kundenanfragen um 30 % zu senken.
- Ein hybrides NLP-System entwickelt, das Large Language Models (LLMs) mit klassischen NLP-Pipelines kombiniert, um robuste und nachvollziehbare Ergebnisse zu liefern.
- Mechanismen für Anfrageklassifizierung und Routing entwickelt, damit Support-Teams Kundenanfragen schneller und genauer bearbeiten können.
- Die LLM-basierte Datenextraktion und Klassifizierung mit Context Engineering optimiert.
- Die Plattform in Kundenservice-Prozesse integriert und so Reaktionszeiten reduziert sowie die Effizienz im Team verbessert.
Martin M.
Letzte Position:
Product Owner AI-Lernplattform bei B2B Tech Scale-Up
- Agiler Aufbau einer multimodalen Analyseplattform für Trainingsmaterial (Video, Audio, Dokumente) nach Scrum
- Extraktion kontextrelevanter Inhalte basierend auf Nutzerprofilen & Kompetenzdimensionen
- Personalisierte Ausspielung von Lerninhalten zur Steigerung der Vertriebsperformance
- Enge Abstimmung mit Sales-Teams & Stakeholdern zur Validierung der Features
- Einsatz von Gemini, Whisper, Python & JavaScript, Deployment auf AWS, Perl für Skripte zum Datenimport
- Integration in bestehende Tools & CRM-Systeme zur reibungslosen Einführung
- Genutzte Technologien: Python, OpenAI, Datenbanktechnologien wie PostgreSQL, CI/CD für AirFlow-DAGs, FastAPI
Mathias W.
Letzte Position:
Umsetzung einer On-Premise-OCR-Lösung mit Informationsextraktion bei Mindhopper GmbH
- Versicherungsdienstleister*
Herausforderung: Geschäftskritische Dokumente liefen über externe OCR-Dienstleister mit laufenden Kosten, Abhängigkeit und Datenschutzrisiken bei sensiblen Versicherungsdaten.
Umsetzung:
- Architektur und produktive Umsetzung einer On-Premise-OCR-Lösung mit vollständiger Datenhoheit
- Verfahren zur Erkennung von Dokumentstrukturen als Basis der automatisierten Weiterverarbeitung
- ML-, NLP- und LLM/VLM-basierte Informationsextraktion, insbesondere aus Rechnungen und Angeboten
Erfolg: Ablösung der externen Dienstleister: volle Datenhoheit, DSGVO-konforme Verarbeitung und 75 % geringere laufende OCR-Kosten p. a.
Verwendete Technologien: Python, Docker, Microservices, FastAPI, PyTorch, Torchvision, MongoDB, MySQL
Marcel M.
Letzte Position:
Cloud-Architekt, Senior Solution Architekt, Senior Software Engineer bei Zuordnung von KPIs für die Service-Landschaft zur Erfassung und Analyse der Kosten pro Nutzer
- Technologien: GoLang, JavaScript, TypeScript, AWS, Terraform, Git
- Konzeption der AWS-Infrastruktur und vorhandener Dienste
- Analyse der IAM-Konten und -Rollen
- Einrichtung von Cost Explorer und CloudWatch-Monitoring
- Einrichtung der Persistenz gesammelter Daten in DynamoDB und S3
- Reporting und Kostenberechnung
- Konzeption der Terraform-Bereitstellung
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Senior Data Scientist
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Berlin, Deutschland arbeiten
