Sillah B.-AI SoC-Trainee

Skills: Python, LLMs, Multi-Agentensysteme, RTL, SystemVerilog

• Ein Multi-Agentensystem für die automatisierte RTL-Generierung entwickelt und dabei spezialisierte Agents über Design-, Verifikations- und Verfeinerungsphasen koordiniert.
• Llama 3.3 auf Aufgaben zur SystemVerilog-Codegenerierung feinabgestimmt und dadurch die syntaktische Korrektheit sowie die Einhaltung von Hardware-Designregeln verbessert.
• Speicherarchitekturen und Techniken für Multi-Agentensysteme untersucht, um Kontext zu behalten und die Abstimmung über iterative RTL-Generierungszyklen hinweg zu verbessern.
• Agentic-Designmuster und Kommunikationsstrategien zwischen Agents untersucht, um die Zuverlässigkeit zu verbessern und halluzinierte oder nicht synthetisierbare RTL-Ausgaben zu reduzieren.

Skills: Python, AI, GCP, Automatisierungen, Pipelines, Monitoring, Datenbereinigung, Docker, Postgres, BigQuery

• Einen intelligenten E-Mail-Generierungsagenten für stark personalisierte Kaltakquise entworfen und umgesetzt, mit MCP-Tool-Calling, LangGraph und LangChain zur Auswertung der Ergebnisse und zur laufenden Verbesserung der E-Mail-Qualität.
• Einen asynchronen, authentifizierten MCP-Server mit dem FastMCP-Framework erstellt, der PostgreSQL und Elasticsearch über abgesicherte Endpunkte via Google OAuth bereitstellt und kodierte Tokens in Redis speichert, um sicheren, authentifizierten Zugriff auf interne Datenstrukturen und dauerhafte Authentifizierung zu gewährleisten.
• Skalierbare Vektor-Retrieval-Systeme mit Postgres (pgvector) für das Matching von Produkt- und Kunden-Tags sowie mit Qdrant für großskalige Embedding-Speicherung und die Empfehlung von Projekten und Produkten entworfen.
• Skalierbare KI-Pipelines mit Embeddings für Lieferanten- und Produktempfehlungen auf Basis von Kundenprofilen und strukturierten Tags aufgebaut.
• Kestra als Pipeline-Orchestrator auf einem Kubernetes-Cluster bereitgestellt, ausfallsichere Datenextraktionsjobs auf Preemptible Pods konfiguriert und Pub/Sub für asynchrone Nachrichten eingebunden.
• Die Entwicklung eines internen Tools zur Generierung von RFP-Signalen und zur Automatisierung der Sales-Outreach geleitet und nahtlos mit HubSpot integriert.
• KI-gestützte Funktionen für die Lead-Empfehlung und das Targeting auf Basis von Kundenmetadaten erstellt.
• Datenpipelines mit GPT-4.1, Claude und DeepSeek aufgebaut, um strukturierte Daten aus Ausgabenberichten zu extrahieren.
• LLMs für eine bessere Genauigkeit bei der Extraktion von Einkaufs- und domänenspezifischen Daten feinabgestimmt.
• CI/CD-Workflows mit Grafana-Dashboards für Monitoring und Alarmierung in Echtzeit integriert.
• Ein graphbasiertes Wissenssystem mit Embeddings für die semantische Dokumentensuche im Chatbot entwickelt.
• Datenvalidierungs- und Plausibilitätsprüfungen für LLM-basierte Datenextraktions-Workflows entworfen.
• Die Verarbeitung und das Laden von Tabellen mit über 148 Mio.+ Zeilen strukturierter Daten übernommen und dafür Synchronisationspipelines erstellt.

Skills: C++, Python, Computer Vision, mathematische Methoden (Lineare Algebra, Analysis) zur Problemlösung, Kamerakalibrierung, Jenkins, Kubernetes, Docker

• Die Entwicklung eines internen Tools zur Bewertung von Sequenzkomplexität, Anzahl der Annotationen, aufgewendeter Zeit und Revisionen für verschiedene Module [Objekt-, Fußgänger-, Verkehrszeichenerkennung usw.] vorangetrieben, um die Performance von Annotatoren und QA eines Teams mit 200 Annotatoren zu verfolgen.
• Daten extrahiert und KPIs in C++ für die Bewertung von Modellen im Bereich autonomes Fahren für Audi AG, Cariad und AAI erstellt.
• Annotation- und Labeling-Spezifikationen überprüft und sinnvolle Änderungen für Objekt- und Fußgängererkennungsmodelle vorgeschlagen.
• AI-Algorithmen nach Bedarf angewendet, zum Beispiel den Hungarian Algorithmus zur Zuordnung von Ground Truth zu den vom Modell erzeugten Perzeptionsergebnissen.
• Die Post-Processing-Pipeline in Python für Interpolationen sowie Distanz- und Winkelschätzungen aus LiDAR-Daten gepflegt.
• Bei der Migration in die AWS-Cloud unterstützt, indem Kubernetes-Cloud, Job-DSLs, Seed-Jobs und Jenkins für 120 Scala- und C++-Pipelines eingerichtet wurden.

• Lernen und Trainieren von Yolo-v3,v4,v5 auf Krankenhausrezepten, um Text mit Überschriften wie Dosierung, Medikamente, Datum usw. zuzuordnen und diese Daten digital zu extrahieren und zu speichern
• Bereitstellung der Anwendung mit Flask.
• Führte dazu, dass ich Fachwissen in pandas, pytorch, matplotlib, python sowie in Machine- und Deep-Learning-Konzepten aufgebaut habe.