Murad K.-Senior AI/ML-Ingenieur

• Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
• Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
• Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
• Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
• Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
• Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
• Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
• Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
• Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.

Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest

• Automatisierte die Überprüfung von Einnahmen und Ausgaben bei Kreditanträgen, indem ich ML-Modelle auf der Google Cloud Platform (GCP) entwarf und bereitstellte. Dabei nutzte ich PySpark für die Datenverarbeitung, Airflow für die Orchestrierung und Azure Pipelines für CI/CD. So entfiel die manuelle Prüfung bei bis zu 70 % der Anträge.
• Entwickelte Random-Forest- und XGBoost-Klassifikatoren für die Klassifizierung von Transaktionen und App-Bewertungen sowie für das KYC-Namensscreening, einschließlich Datenbereinigung, Feature Engineering und Kreuzvalidierung.
• Wirkte dem Ungleichgewicht zwischen Klassen durch kostenbewusstes Training, Über- und Unterabtastung sowie die Optimierung von Entscheidungsschwellen entgegen, um Präzision und Recall auszubalancieren.
• Arbeitete mit Product Ownern, Endnutzern und Engineering-Teams zusammen, um Anforderungen zu erfassen, Lösungen zu entwerfen und Modelle, Datenvisualisierungen und interaktive Dashboards bereitzustellen.
• Führte Workshops zum Aufbau von ML-Pipelines mit Kedro durch und förderte die Einführung des Tools in der Abteilung.

Technologien: Python, PySpark, GCP, Airflow, BigQuery, Azure DevOps, scikit-learn, XGBoost, pandas, numpy, seaborn, Matplotlib, Dash, pytest