Marcel Steger-Senior KI-Ingenieur

Projekt-Tech-Stack: Python, AWS, Azure, FastAPI, openai, pandas, unittest/pymock

Erfolge:

• Automatisierte Datenextraktions-Pipelines entwickelt, um komplexe Excel-Datensätze über LLM-gesteuerte Workflows in strukturierte Formate zu überführen.
• Eine generative Slide-Deck-Engine entworfen, die natürliche Sprachprompts in formatierte Präsentations-Assets übersetzt.
• Erweiterte LLM-Funktionen mit der OpenAI Response API integriert und dabei komplexes Tool-Calling sowie strukturierte Output-Logik umgesetzt.
• Einen skalierbaren Backend-Microservice mit FastAPI, Docker und OpenShift entwickelt und containerisiert, um agentische Skills bereitzustellen.

Projekt-Tech-Stack: Agentic AI, FastMCP, Kafka, unique-sdk, Agents, openshift

Erfolge:

• Ein autonomes agentisches System für die Extraktion von Versicherungsdokumenten mit fortschrittlicher LLM-Orchestrierung entworfen.
• Einen eigenen MCP-Server (Model Context Protocol) entwickelt, um interne Backend-Tools mit LLM-gesteuerten Oberflächen zu verbinden und so nahtlose Tool-Nutzung und agentische Autonomie zu ermöglichen.
• Hochzuverlässige Datenextraktions-Pipelines mit OpenAI Structured Outputs entwickelt und damit eine 100%ige Schema-Treue über Pydantic sichergestellt.
• Automatisierte Geschäftsprozess-Workflows (Agentic Tool Use) für die Verarbeitung komplexer Rechnungen und Verträge aufgebaut.

KI-Engineering, Data Science und Softwareentwicklung

Projekt-Tech-Stack: Transformers, mflow, CUDA, Python, Pytorch, Label Studio

Erfolge:

• Vergleichstests von State-of-the-Art-Computer-Vision-KI-Modellen
• Umfangreiche Modelltests
• GPU-beschleunigtes Model-Training
• Forschung und Konzeption von CNN-Architekturen
• Verantwortung für Bildverarbeitungs-Pipelines und Infrastruktur
• Entwicklung einer End-to-End-Computer-Vision-Lösung in Python
• Agile Arbeitsweise

Data Science und Data Engineering

Project Tech Stack: Python, AWS RDS, AWS MWAA, Airflow, PostgreSQL, dbt, GitHub, Plotly & Dash

Erfolge:

• Verantwortung für Datenpipelines mit Airflow MWAA
• Entwicklung von Anwendungscode für Daten-Dashboards
• Modularisierung der bestehenden Codebasis
• Dashboard-Entwicklung
• Terminkritische Auslieferungen an Kunden
• CI/CD-Pipelines
• Agile Arbeitsweisen

Project Tech Stack: GCP Compute Engine, Docker, BigQuery, Google Data Studio, GCP IAM, AWS Sagemaker, AWS VPC, AWS RDS, OpenVPN, PostgreSQL, JavaScript

Erfolge:

• Aufbau und Wartung einer Cloud-übergreifenden Datenpipeline für Kommunikationsdaten von Bluetooth-Geräten
• Entwicklung, Auslieferung und Deployment der Lösung in einem Docker-Image
• Erstellung eines neuen Google Looker Studio Community-Visualisierungstools in JavaScript: Sankey-Diagramm
• Analyse des Kundenverhaltens für Marketing-Empfehlungen
• Parallelisierung von Algorithmen
• CI/CD mit Jenkins

Projekt-Tech-Stack: OpenCV, Python, Flask, Linux, Raspberry Pi, CI/CD, Docker, PyTorch, scipy

Erfolge:

• Entwicklung einer stabilen Computer-Vision-Lösung von R&D bis zum Go-to-Market
• Implementierung eines robusten, effizienten und zuverlässigen Algorithmus zur Bestimmung der optimalen affinen Transformationsmatrix
• Implementierung eines schnellen und zuverlässigen Bildsegmentierungsalgorithmus
• Bestimmung optimaler Lichtbedingungen für die Bildaufnahme
• Entwicklung einer umfangreichen Testsuite für die Qualitätskontrolle
• Management der CI/CD-Pipeline
• Objektorientierte Programmierung während des gesamten Projekts
• Kundensupport vor Ort nach dem Launch für das Bildverarbeitungssystem und die Netzwerkkommunikation
• Agile Arbeitsmethoden

Feature-Selection-Methoden für Big Data

Projekt-Tech-Stack: R, Python, PySpark, Bash

Erfolge:

• Erfolgreiche Implementierung eines Python-Moduls für Big-Data-Feature-Selection in PySpark
• Dokumentation der implementierten Funktionen und Erstellung eines Benutzerhandbuchs
• Gründliche Recherche und Verständnis von Feature-Selection-Methoden
• Datenumstrukturierung, -verarbeitung und -aufbereitung, explorative Datenanalyse
• Code-Parallelisierung in R