Stephan B.-Freiberuflicher Data Scientist

Aufbau einer hybriden ML-Architektur auf AWS und On-Premises

Entwicklung maßgeschneiderter Machine-Learning-Modelle für Computer Vision und Informationsextraktion

Evaluierung und Prototyping mit verschiedenen agentischen KI-Tools, LLMs und MCP

Zusammenarbeit mit Product Ownern zur Definition funktionaler Anforderungen und Sicherheitsaspekte

Leitung eines Teams aus Data Scientists und Data Engineers

OCR-Pipeline: Training eines EasyOCR-Modells mit domänenspezifischen und synthetischen Datensätzen (Personalausweise, Reisepässe, Führerscheine)

Segmentierungsmodell: Implementierung eines Segmentierungsmodells in PyTorch für das präzise Zuschneiden von Dokumenten und die Perspektivkorrektur

Ausweisklassifikator: Entwicklung eines CNN-basierten Modells in PyTorch zur Klassifizierung von Dokumenttypen

Hologrammerkennung: Entwicklung eines spezialisierten Klassifizierungsmodells in PyTorch zur Überprüfung von Hologrammen

Konvertierung der Modelle in ONNX und TensorFlow Lite, einschließlich Quantisierung und Pruning der Modellgewichte, um die Anforderungen an die Echtzeitleistung zu erfüllen

Erzielte durchschnittliche Inferenzzeiten von unter 200 ms auf mobilen Geräten

Über eine Million erfolgreiche Echtzeit-Identifikationen

Reduzierung des manuellen Prüfaufwands um mehr als 90 %

Tech-Stack: AWS SageMaker, Bedrock, Rekognition; multimodale LLMs, Pydantic, FastMCP, Prompt Engineering; PyTorch, PyTorch Lightning, TensorFlow Lite, ONNX; TorchVision, OpenCV, EasyOCR

Streaming ML zur Verarbeitung von Kundennachrichten (Okt. 2019 – Mai 2021)**

Aufbau einer Echtzeit-ML-Pipeline zur Klassifizierung von Kundenkommunikation

Erstellung von Live-Dashboards für Nachrichtenfluss, Vorhersagen und Systemüberwachung

Entwicklung eines VAIT-konformen ML-Lebenszyklus mit Audit-Trails, Jenkins CI und Deployment auf Kubernetes

Tech-Stack: Kafka, OpenShift, Jenkins, MLflow, Python, scikit-learn, XGBoost, Universal Sentence Encoder

Ermöglichung der Echtzeitverarbeitung von über 20.000 Nachrichten pro Tag

Bereitstellung vollständig nachvollziehbarer und regulatorisch konformer ML-Workflows

NLP-Pipeline für semantische Suche und Entity Linking (Aug. 2018 – Sept. 2019)**

Entwicklung und Implementierung einer NLP-Pipeline mit BERT-basierten Modellen für NER und Entity Disambiguation

Aufbau einer semantischen Suchmaschine mit Elasticsearch und Kibana-Dashboards zur Analyse von Suchanfragen

Verknüpfung extrahierter Entitäten und Beziehungen in einem Neo4j-Knowledge-Graph, wodurch eine graphbasierte Suche und interaktive Exploration über Neo4j Bloom ermöglicht wurden

Tech-Stack: PyTorch, BERT, Elasticsearch, Kibana, Neo4j, Bloom, Azure

Ermöglichung einer zeitnaheren Risikobewertung für die Kreditversicherung durch die Einbeziehung aktueller Nachrichtenereignisse

Steigerung der Effizienz von Schadensregulierern durch die schnellere Identifizierung relevanter historischer Schadensfälle

Optimierung des Sales Funnels für Kreditprodukte (Mai 2018 – Juli 2018)**

Anwendung von Clustering- und Klassifizierungsmodellen zur Segmentierung des Nutzerverhaltens und Identifizierung von Abbruchmustern im Sales Funnel

Durchführung von Datenanalyse, Feature Engineering und Modellentwicklung

Entwicklung einer interaktiven Webanwendung zur Visualisierung von Conversion-Pfaden, Kundensegmenten und Modellergebnissen für geschäftliche Stakeholder

Tech-Stack: Python, PySpark, Pandas, NumPy, scikit-learn, SQL, Plotly, Dash