Milos N.-Senior AI/ML Engineer
Tagessatz prüfen
Erfahrungen
Senior AI/ML Engineer
Meta AI
- Agentic AI Platform (V3 Architecture): Architektur und Implementierung eines produktiven Multi-Agenten-Systems mit 5-stufiger Orchestrierung (Planner Actioner Executor Feedback Evaluator); eine Erfolgsquote von 85% bei Aufgaben erreicht (+20% gegenüber V2) durch modulares Pipeline-Design und selbstkorrigierende Feedback-Schleifen.
- RAG Retrieval System: End-to-End-Retrieval-Pipeline mit Sliding-Window-Chunking (50 lines + 10-line overlap), hybrider BM25+Vektorsuche und paralleler LLM-Zusammenfassung entwickelt; Retrieval-Präzision durch semantische Indizierung um 85% verbessert und Halluzinationen um 35% reduziert.
- Enterprise Connectors: Confluence- und Jira-Integrationen mit vollständiger Authentifizierung, Webhook-Unterstützung und Fehlerbehandlung entwickelt; dadurch Echtzeit-Updates der Wissensdatenbank und plattformübergreifende Datensynchronisierung für den Agentenkontext ermöglicht.
- LLM-as-Judge Evaluation Framework: Automatisiertes Evaluierungssystem mit Golden Test Cases, Turnierbewertung und Regressionstests implementiert; Wechsel von subjektiven „sieht gut aus“-Bewertungen zu quantitativen Evaluierungen mit 15+ Benchmark-Konfigurationen über 6 Aufgabenkategorien.
- Web-Scale Ranking Platform: TensorFlow/JAX/TFX-Pipelines auf Vertex AI + Dataflow + BigQuery entwickelt; CTR um +18% bei 100M+ Sessions/Monat verbessert; p95-Latenz durch Neugestaltung des Feature Stores und Hard Negatives um -35% gesenkt (≈210ms→136ms).
- Datenschutzfreundliche Personalisierung: Federated Learning + DP für die Märkte PT/ES/EN eingeführt; Übereinstimmung der Offline-/Online-Metriken sichergestellt (AUC/PR, Kalibrierung) und automatische Drift-Warnungen umgesetzt.
- Experimentierplattform: A/B- und Interleaving-Tests standardisiert; wiederverwendbare Metriken und Dashboards verkürzten die Zeit bis zur Entscheidung von 2–3 Wochen auf <5 Tage.
- GenAI/RAG-Evaluierung: Offline-Evaluator und Leitplanken entwickelt, die Halluzinationen um ~35% reduzierten und den Antwort-F1-Wert um +7 pts verbesserten, während die p95-Latenz um 20% sank.
- ML Reliability Program: Kubernetes/Docker-Microservices mit Model Registry, Shadow-/Canary-Deployments und Rollbacks betrieben; 99.9% Inferenz-SLO und MTTR <10 min aufrechterhalten; 6 DS/ML Eng betreut und mit 4 Produktteams (BR/US) zusammengearbeitet.
Data Scientist
Databricks
- SageMaker Churn & Propensity Platform: Modelle auf SageMaker mit Model Registry, CI/CD und Blue-Green-Deployment produktiv gesetzt und dadurch Churn in drei Pilotkohorten (rund 45k Nutzer) um 22% reduziert; inklusive Monitoring über MLflow und benutzerdefinierte Drift-Detektoren.
- Echtzeit-Lakehouse: Eine Datenebene auf Basis von S3, Glue, Athena und EMR entworfen, die täglich über 10 TB aufnimmt; Streaming-Features mit Kafka und Spark implementiert, um etwa 1.8k QPS Lambda/Fargate-Inferenz zu ermöglichen.
- LATAM Regulated Templates: Referenzarchitekturen bereitgestellt, die die Zeit bis zum Produktionseinsatz von ungefähr 3 Wochen auf 6 Stunden verkürzten und durch verbesserte Beobachtbarkeit die Infrastrukturkosten um 18% senkten.
- Model Governance: Feature-Lineage, PII-Schutzmaßnahmen und Modellkalibrierung (ECE, Brier) implementiert, um eine konsistente und prüfbare Performance sicherzustellen.
Principal ML Consultant
Capgemini Invent
- Enterprise Labeling Platform: Flask/React-System zum Trainieren und erneuten Trainieren von CV/NLP-Modellen entwickelt; die Bearbeitungszeit für Datensätze für eine Tier-1-Bank und einen Kunden aus dem öffentlichen Sektor um 50% reduziert (4 Wochen → 2 Wochen).
- Anti-Spoofing & Fehlermonitoring: scikit-learn/PyTorch-Modelle und eine zentrale Flask/DB2-Fehler-API bereitgestellt; kritische Vorfälle um 23% QoQ reduziert.
- Serverless Identity: Cloud Functions + Cloud SQL für die Benutzerverwaltung entwickelt; die Bearbeitungszeit von Zugriffs-Tickets um 30% reduziert und Audits vereinfacht.
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Informationstechnologie (IT), Bank- und Finanzwesen und Regierung und öffentliche Verwaltung.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Informationstechnologie (IT), Business Intelligence, Produktentwicklung und Forschung und Entwicklung (F&E).
Zusammenfassung
Senior AI/ML Engineer mit über 10 Jahren Erfahrung in der Entwicklung produktionsreifer KI-Lösungen mit messbarem Geschäftsnutzen.
Bereich: Agentic AI, GenAI/RAG, Ranking, NLP/CV und Experimente im großen Maßstab; Entwicklung kalibrierter, überwachter und gegen Drift robuster ML-Systeme (AUC/PR, ECE).
Plattformen: Python; TensorFlow/PyTorch; AWS (SageMaker) & GCP (Vertex AI); Kubernetes/Airflow/MLflow; Feature Stores; 99.9% SLO für Echtzeit-Inferenz.
Ergebnisse: +18% CTR bei Web-Skalierung, -35% p95-Latenz, -22% Churn, -18% Infrastrukturkosten.
Kerntechnologien: Python (10+), TensorFlow (6+), PyTorch (5+), Scikit-learn (9+), XGBoost/LightGBM (7+), Transformers/HuggingFace (5+), LangChain/RAG (3+), Vektordatenbanken (FAISS, Pinecone, PostgreSQL) (3+), Airflow/MLflow/Kubernetes/Docker (6+), AWS (SageMaker, S3, Glue, Athena, EMR, Lambda, Fargate) (4+), GCP (Vertex AI, Dataflow, BigQuery) (3+), Spark/Kafka (5+), Feature Store/TFX (3+), SQL/Snowflake/BigQuery (7+), FastAPI/Flask (6+), REST/GraphQL (5+), CI/CD (Jenkins, GitHub Actions) (5+), NLP (8+), Computer Vision (7+), Federated Learning & Responsible AI (2+).
Fähigkeiten
- Agentic Ai & Orchestrierung: Multi-Agenten-Systeme (Planner Tools Critic) FüR Tool-Routing; Kurzzeit-/LangzeitgedäChtnis; Selbstreflexion; Leitplanken; Llm-As-Judge
- Rag & Retrieval: Hybrides Bm25 + Dense Retrieval; Cross-Encoder-Reranking; Routing Nach Query-Intention; Semantisches Chunking; Vektorspeicher (Faiss, Pinecone)
- Serving & Systeme: Ray Serve; Nvidia Triton; Gpu-Inferenz; Fastapi-Microservices; Verteiltes Training; Api-Design; Kubernetes/Docker
- Mlops & Evaluation: Mlflow; Model Registry; Ci/Cd; Feature Stores; Monitoring & Drift/Bias; Prometheus/Opentelemetry
- Daten & Streaming: Spark; Kafka; Redis; Sql; Hl7/Fhir-Pipelines
- Cloud & Infrastruktur: Aws (Sagemaker, Lambda, S3); Gcp (Vertex Ai, Bigquery); Azure (Azure Ml)
- Datenbanken & Data Warehouses: Postgresql; Azure Cosmos Db; Dynamodb; Snowflake; Bigquery
- Sprachen & Frameworks: Python, C++, Java, Javascript/Typescript; React (Typescript); Fastapi; Flask; Rest/Graphql
Sprachen
Ausbildung
Nanyang Technological University (NTU)
Master of Science in Computer Science · Computer Science · Singapur
Nanyang Technological University (NTU)
Bachelor of Science in Computer Science · Computer Science · Singapur
Statistiken
Erfahrung
Globale Erfahrung
Fachkenntnisse
Qualifikationen
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Milos ist in London, Vereinigtes Königreich ansässig.
Milos spricht folgende Sprachen: Englisch (Verhandlungssicher), Deutsch (Grundkenntnisse), Niederländisch (Grundkenntnisse).
Milos hat mindestens 7 Jahre Erfahrung. In dieser Zeit hat Milos in mindestens 3 verschiedenen Rollen und für 3 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 5 Monate. Beachten Sie, dass Milos möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Milos gut geeignet für Rollen wie: Senior AI/ML Engineer, Data Scientist, Principal ML Consultant.
Die neueste Position von Milos ist Senior AI/ML Engineer bei Meta AI.
In den letzten Jahren hat Milos für Meta AI und Databricks gearbeitet.
Milos hat die meiste Erfahrung in Industrien wie Informationstechnologie (IT), Bank- und Finanzwesen und Regierung und öffentliche Verwaltung.
Milos hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT), Business Intelligence und Produktentwicklung. Milos hat auch etwas Erfahrung in Forschung und Entwicklung (F&E).
Milos hat kürzlich in Industrien wie Informationstechnologie (IT) gearbeitet.
Milos hat kürzlich in Bereichen wie Informationstechnologie (IT), Business Intelligence und Produktentwicklung gearbeitet.
Milos hat einen Master in Computer Science von Nanyang Technological University (NTU) und einen Bachelor in Computer Science von Nanyang Technological University (NTU).
Die Verfügbarkeit von Milos 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 7 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
Marcel M.
Patrik G.
Christian S.
Matthias I.
Jürgen F.
Yannick S.
Martin M.
Himanshu N.
Hernani C.
Manuel P.
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Senior AI/ML Engineer
Simona T.
Mahabub A.
Stephan F.
Eduard V.
Stephan S.
Ashwin P.
Ivaylo S.
Fabian C.
Louis G.
Anton K.
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von London, Vereinigtes Königreich arbeiten
Thais C.
Can K.
Jose Manuel B.
Bobster F.
Athena B.
Jérémie P.
Alex E.
Abdulrahaman W.
FRATCH F.
Daniel A.
