Saleh Abbas-AI/ML- & Cloud-Solution-Architect

• Treibe die digitale Transformation entlang der strategischen Halbleiter-Lieferkette voran, als Teil eines neu gegründeten Teams, das die AI/ML- und Cloud-native-Basis des Unternehmens von Grund auf aufbaut.
• Architekturiert und betreut eine große Azure Fabric- & Databricks-Datenplattform für Enterprise-Analytics- und Machine-Learning-Workloads.
• Leite die Umsetzung eines Advanced Planning System (APS) und zeige damit die interne Stärke als überzeugende Alternative zu Standardlösungen.
• Habe MLflow-Tracking-Server und Model Registries für Modellmanagement, Nachvollziehbarkeit und governance-konforme Artefaktablage über verschiedene Umgebungen hinweg eingerichtet.
• Habe End-to-End-CI/CD-Pipelines für ML-Workflows in Azure DevOps implementiert und die Zielarchitektur für MLOps sowie die unternehmensweite Migrationsroadmap definiert.

Verwendete Technologien: Azure Databricks, Azure DevOps, Data Factory, Terraform, MLflow, Snowflake, Python, PySpark, Docker, Kafka

Teil des Aufbaus einer neu geschaffenen Datenabteilung.

• Plattformdesign: Leitete das Design eines neuen Streaming- und Batch-Ingestion-Frameworks nach Snowflake mit Kafka Connect und Azure Data Factory.
• DevOps-Enablement: Baute automatisierte CI/CD-Pipelines in Azure DevOps für Data-Ingestion-Workflows auf; stellte Codequalität durch automatisierte Linting- und Testschritte sicher.
• Disaster Recovery: Implementierte Replikation und Failover-Strategien für das Hive Metastore; erstellte DR-Runbooks und führte Tabletop-Übungen durch.

Verwendete Technologien: Snowflake, Azure Data Factory, Kafka, Terraform, Azure DevOps, Python, Power BI, Databricks, PySpark

Group Financial Control - Data Lab

Lieferte End-to-End Data Engineering (80–90 % jedes Projekts) und Machine Learning für Group Financial Control und baute Datenpipelines über Hadoop (Cloudera, Databricks), DB2/IBM Cloud, Azure und Microsoft SQL Server hinweg auf. Außerdem entwickelte ich Hunderte von Features für KI-Modelle mit SQL, SAS, Python und PySpark.

• Mortgage-Pricing-Modell (konzernweit): Fragte große Datenmengen über viele Server und einen Data Lake ab, um eine Master-Feature-Tabelle mit Hunderten von Spalten aufzubauen; dabei verantwortete ich die Datenqualität und die Auswahl der Datenpunkte, die zu einem verlässlicheren Modell führten.
• Probability-of-Default-Modell: Entwickelte in Python ein Probit-Modell zur Vorhersage von Kundenausfällen und Rating-Klassifizierungen und optimierte den ROC-Threshold, um 85 % Genauigkeit zu erreichen.
• Churn Prediction: Entwickelte ein Machine-Learning-Modell zur Abwanderungsvorhersage mit 90 % kreuzvalidierter Genauigkeit und baute Verhaltensfeatures aus Logfiles und Geodaten.
• Initial-Loss-Simulator: Entwickelte einen NumPy/PySpark-Simulator für Zinsszenario-Analysen und visualisierte die Schwellenwert-Kompromisse gegenüber dem initialen Verlust der Bank in 3D mit Matplotlib und Seaborn.
• Management-Reporting: Entwickelte eine mehrseitige interaktive Reporting-Website (Plotly, Dash) und Power BI-Dashboards, die dem Management finanzielle Einblicke lieferten.
• DB2-Migration: Migrierte SAS- und Hadoop-Code sowie Tabellen nach DB2 und schrieb Stored Procedures für wiederkehrende analytische Workloads.
• Portfolioanalyse: Analysierte Private-Banking-Segmente und Gewinnmargen, berichtete direkt an den CFO und bewertete die Auswirkungen von Covid-19 über Regionen und Branchen hinweg anhand von Transaktionsdaten.
• Automatisierung & Betrieb: Entwickelte geplante stündliche Logfile-Pipelines (Python, regex, PySpark) und betreute fünf entfernte Linux-Server.

Verwendete Technologien: Hadoop, Hive, SAS, Spark (Scala), SQL, DB2, Python, PySpark, Scikit-learn, Statsmodels, NumPy, Pandas, Matplotlib, Seaborn, Plotly, Dash, Power BI, Azure, ETL

Eine Deep-Learning-Software mit Multilayer Perceptron zur Prognose des S&P-500-Index entwickelt. Das Programm wurde in Python mit TensorFlow gebaut. Die Software war besser als die Buy-&-Hold-Strategie und das ARIMA-Modell.