Murad A.-KI-Agenten-Automatisierung – agentisches System auf Basis von LLMs
Tagessatz prüfen
Erfahrungen
KI-Agenten-Automatisierung – agentisches System auf Basis von LLMs
- Ein Multi-Agenten-System entwickelt, das LangChain ZeroShotAgent mit benutzerdefinierten Tools für Live-APIs und die Aufgabenautomatisierung verbindet.
- Ein FastAPI-Backend für das Erstellen, Priorisieren und Zuweisen von Jira-Tickets entwickelt, mit automatischer Klassifizierung des Schweregrads, Duplikaterkennung, SLA-Einrichtung, On-Call-Rotation sowie bidirektionaler Synchronisierung von Status und Kommentaren.
- Slack-Benachrichtigungen und RAG-Wissensabfragen mit FAISS oder pgvector ergänzt, um Lösungsvorschläge zu machen, mit optionaler Eskalation über PagerDuty bei Richtlinienverstößen.
- Agenten mit einem Router und einer Celery- plus Redis-Warteschlange orchestriert, mit Wiederholungsversuchen und Backoff, Ratenbegrenzungen, Idempotenzschlüsseln und Freigaben durch Menschen im Prozess.
- Guardrails und Observability implementiert, einschließlich Prompt-Versionierung, Token- und Kostenbudgets, PII-Schwärzung, Tool-Allowlists, Timeouts, OpenTelemetry-Tracing und Dashboards für Genauigkeit und Latenz. Bereitstellung auf Kubernetes mit Feature Flags und Canary-Rollouts.
Shift AI – LLM-gestützter Assistent für die Schichtplanung
- Einen KI-gestützten Planungsassistenten entwickelt, der mit LangChain und Llama automatisch konfliktfreie Schichtpläne erstellt.
- Semantische Suche mit FAISS zur Interpretation von Vorgaben entwickelt und Dienstpläne mit Prisma/PostgreSQL verknüpft, um Nutzerdaten genau zu verwalten.
- Ein FastAPI-Backend bereitgestellt, das die vorausschauende Schichtplanung für Betriebsteams vereinfacht.
KI-Ingenieur
Eclevar Medtech
- Einen Assistenten für klinische Konsultationen auf GCP (Vertex AI und Cloud Run) entwickelt, der während der Termine Antworten auf Grundlage von Leitlinien bereitstellt. In Pilotprojekten sank die Suchzeit von Minuten auf Sekunden und der Dokumentationsaufwand nach Terminen um etwa 25–35%.
- Medizinische automatische Spracherkennung produktionsreif gemacht, indem Whisper und Wav2Vec2 mit anonymisierten Audiodaten, VAD und fachspezifischen Lexika feinabgestimmt wurden. Die Wortfehlerrate bei verrauschten Klinikaufnahmen verbesserte sich um 6 bis 8 Prozentpunkte und die Echtzeitlatenz wurde stabil.
- LLMs (Gemini, GPT, Claude, Llama) für SOAP-Zusammenfassungen, die Extraktion von Medikamenten und Allergien sowie Risikohinweise ergänzt. RAG über einen geprüften Korpus eingesetzt, damit Antworten mit Quellenangaben belegt sind.
- Während der Entwicklung und Evaluierung strukturierte Reasoning-Prompts wie Chain of Thought (COT) und schrittweise Zerlegung eingesetzt, um klinisches Schlussfolgern und die Genauigkeit der Extraktion zu verbessern. In der Produktion Begründungen knapp gehalten und Scratchpads ausgeblendet, um die Privatsphäre zu schützen und die Latenz niedrig zu halten.
- Guardrails implementiert, darunter Prompt-Prüfungen, Anforderungen an Quellenangaben, das Entfernen von PHI und Ablehnungsrichtlinien. Prompts und Vervollständigungen mit PII-Hashing protokolliert, um die GDPR-Anforderungen zu erfüllen.
- Evaluierungen und Observability mit RAGAS, aufgabenspezifischem EM/F1 und einer einfachen Oberfläche für menschliche Bewertungen eingerichtet. Regressionen verhindert und sichere A/B-Tests ausgerollt. Die mediane Latenz sank durch quantisierte Inferenz mit vLLM und Response-Streaming um etwa 30%.
- Prototypen mit Containern, CI/CD, Canary-Releases und Drift-Monitoring in die Produktion überführt. Datenflüsse und DPIA-Unterlagen für die Compliance dokumentiert.
Masterarbeit – Forschung zu Biomedical NLP
Friedrich-Schiller-Universität Jena
- Angewandte Forschung zu Retrieval-Augmented Generation (RAG) für biomedizinische Fragebeantwortung durchgeführt und dabei mit über 100 wissenschaftlichen Arbeiten als Quellenmaterial gearbeitet.
- Dichte Retrieval-Pipelines mit FAISS aufgebaut und optimiert sowie Präzision und Recall beim Verständnis komplexer biomedizinischer Texte verbessert.
- Evaluierungsabläufe mit RAGAS entwickelt und starke Ergebnisse bei der Faktentreue und kontextuellen Präzision der generierten Antworten erzielt.
KI-gestützte Früherkennung von Legasthenie
- Eine durchgängige KI-Pipeline zur Früherkennung von Legasthenie entwickelt, die Handschriftenanalyse (Gemini 1.5 Pro) und Sprachbewertung per ASR kombiniert.
- Aufgaben zu kognitivem Gedächtnis und Lesen umgesetzt und multimodale Verhaltensmerkmale für die Vorhersage erfasst.
- Einen CatBoost-Klassifikator trainiert, der die Wahrscheinlichkeit von Legasthenie mit hoher Genauigkeit und guter Interpretierbarkeit vorhersagt.
- Eine produktionsreife Pipeline mit Python, LangChain und FastAPI bereitgestellt, die Anwendungsfälle für Echtzeit-Screenings unterstützt.
KI-Ingenieur (NLP/LLMs)
Incowia GmbH
- Eine Pipeline zur Rechnungsextraktion entwickelt, die gescannte PDFs mithilfe von OCR, LayoutLMv3 und einem LLM-Fallback für Sonderfälle in normalisierte Einzelposten umwandelt. Dadurch sank der manuelle Prüfaufwand und die Buchung wurde beschleunigt.
- BERT-basierte NER-Modelle für Lieferanten, Adressen, USt., IBAN und Gesamtbeträge feinabgestimmt. Auf einem versionierten Golden Set wurde ein F1-Wert von über 90% erreicht und Formatierungsfehler wurden durch regelgestützte Nachbearbeitung reduziert.
- Tabellen und Einzelposten mithilfe strukturbewusster Modelle und einer Konfidenzschwelle extrahiert. Llama oder Mistral als Parser-Fallback für schwierige mehrseitige Rechnungen eingesetzt, wodurch der Recall stieg, ohne dass die Zahl der falsch positiven Ergebnisse zunahm.
- Kosten und Latenz durch dynamisches Batching, Mixed Precision, sichere 4-Bit-Quantisierung und Caching auf Dokumentebene gesenkt. Die p95-Latenz blieb auch unter Last stabil und die GPU-Stunden gingen zurück.
- Daten- und Evaluierungsstandards mit klaren Annotationsrichtlinien, Prüfungen der Übereinstimmung zwischen Annotatoren und CI-Tests für EM/F1 festgelegt, um Qualitätsrückgänge zu verhindern.
- Mit Produkt- und Betriebsteams zusammengearbeitet, um Fehlerursachen wie schräg eingescannte Dokumente, Stempelüberlagerungen und unvollständige Tabellen zu untersuchen. Erkenntnisse in Training und Heuristiken zurückgeführt, um die Qualität kontinuierlich zu verbessern.
Deep-Learning-Ingenieur (HIWI)
Max Planck Institute
- Eine Objekterkennungspipeline mit SAM und GroundingDINO entwickelt, die die Klassifizierung biologischer Proben mit einer Präzision von über 90% verbesserte.
- Die Erkennung von Pflanzenarten mit ResNet-50 verbessert und die Leistung von 85% auf 93% gesteigert. Dadurch wurden experimentelle Abläufe beschleunigt.
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Informationstechnologie (IT), Gesundheitswesen, Biotechnologie und Bildung.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Informationstechnologie (IT), Produktentwicklung, Forschung und Entwicklung (F&E), Buchhaltung und Betrieb.
Zusammenfassung
KI-Ingenieur mit Schwerpunkt auf Large Language Models (LLMs) und Conversational AI. Erfahren im Aufbau KI-gestützter Self-Service-Systeme, in der Automatisierung kundenorientierter Abläufe und in der Bereitstellung produktionsreifer NLP-Lösungen auf Cloud-Plattformen. Versiert darin, Technologie mit Geschäftsergebnissen zu verbinden, mit nachweislichen Erfolgen bei der Effizienzsteigerung, der Reduzierung manueller Arbeit und der Verbesserung der Nutzererfahrung.
Fähigkeiten
- Programmierung: Python, C++, C
- Llms & Reasoning: Transformers, Hugging Face, Gemini / Gpt / Claude / Llama, Langchain / Langgraph / Llamaindex, Strukturierte Reasoning-Prompts (Chain Of Thought WäHrend Der Entwicklung), Tool-Aufrufe
- Retrieval & Vektoren: Faiss, Pgvector, Hybrides Bm25 + Dense Retrieval, Reranker, Schema-Basiertes Chunking
- Serving & Mlops: Fastapi, Docker, Ci/Cd, Vllm, Quantisierung, Dynamisches Batching, Caching, Streaming, Observability, Ragas, Golden Sets, Em/F1, A/B-Tests, Drift-Monitoring
- Sprach- & Dokumenten-Ki: Whisper, Wav2vec2, Vad, Tesseract, Doctr, Layoutlmv3, Donut, Extraktion Von Tabellen Und Einzelposten
- Cloud & Daten: Gcp / Vertex Ai, Sql, Postgresql, Rest Apis
- Arbeitsweisen: Git, Jira, Confluence, Agile/Scrum
Sprachen
Ausbildung
Technische Universität Ilmenau
M.Sc. Forschung in Computer- und Systems Engineering · Forschung in Computer- und Systems Engineering · Ilmenau, Deutschland
UET Peshawar
B.Sc. Computer Systems Engineering · Computer Systems Engineering · Peshawar, Pakistan
Statistiken
Erfahrung
Globale Erfahrung
Fachkenntnisse
Qualifikationen
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Murad ist in Martinroda, Deutschland ansässig.
Murad spricht folgende Sprachen: Englisch (Verhandlungssicher), Deutsch (Grundkenntnisse).
Murad hat mindestens 4 Jahre Erfahrung. In dieser Zeit hat Murad in mindestens 7 verschiedenen Rollen und für 4 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 1 Jahr und 7 Monate. Beachten Sie, dass Murad möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Murad gut geeignet für Rollen wie: KI-Agenten-Automatisierung – agentisches System auf Basis von LLMs, Shift AI – LLM-gestützter Assistent für die Schichtplanung, KI-Ingenieur.
Die neueste Position von Murad ist KI-Agenten-Automatisierung – agentisches System auf Basis von LLMs.
In den letzten Jahren hat Murad für Eclevar Medtech, Friedrich-Schiller-Universität Jena, Incowia GmbH und Max Planck Institute gearbeitet.
Murad hat die meiste Erfahrung in Industrien wie Informationstechnologie (IT), Gesundheitswesen und Biotechnologie. Murad hat auch etwas Erfahrung in Bildung.
Murad hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT), Produktentwicklung und Forschung und Entwicklung (F&E). Murad hat auch etwas Erfahrung in Buchhaltung und Betrieb.
Murad hat einen Master in Forschung in Computer- und Systems Engineering von Technische Universität Ilmenau und einen Bachelor in Computer Systems Engineering von UET Peshawar.
Die Verfügbarkeit von Murad 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 6 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
Mohamed S.
Abhishek N.
Julien L.
Manuel P.
Patrik G.
Patrick W.
Tobias J.
Mathias W.
Martin M.
Marcel M.
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als KI-Agenten-Automatisierung – agentisches System auf Basis von LLMs
Yannick S.
Mahabub A.
Matthias I.
Tomas S.
Jürgen F.
Stephan F.
Vitalijs V.
Hüseyin K.
Ignacio M.
Prasad T.
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Martinroda, Deutschland arbeiten
Pavel S.
Dirk W.
Holger L.
Thomas K.
Gregorio S.
Ronja W.
Matthias K.
Anjaneya M.
Matthias K.
Norbert H.
