Erfahrungen
KI-gestützte Dokumentenentwicklung
Selbstständig
- Workflow-Automatisierung: Multi-Agenten-Workflow, der Geschäftsanforderungen erfüllt.
- Umsetzung inklusive n8n-Orchestrierung, Python-basierter Multi-Agenten-Workflow (Planer, Autor, Validator), LLMs/SLMs, RAG-Extraktion, Human-in-the-Loop, API-Integrationen, Prompt-Engineering.
- Architekturauswahl auf GitHub dokumentiert.
- Einsparung von 20–40 Stunden pro Monat.
Systematische Handelsinfrastruktur – Quant-Entwicklung
Selbstständig
- Entwicklung einer Schnittstelle zur Datensammlung für Broker-Datenquellen, Parquet-Dateien und DuckDB.
- Implementierung einer Broker-Schnittstelle für Orders und Positionsmanagement.
- Aufbau einer maßgeschneiderten Backtesting-Engine mit Walk-Forward-Optimierung.
- Entwicklung von Strategien, darunter ereignisbasierte Strategien und vorausschauende Migration des Live-Trading-Zustands.
ETL-Pipeline & BI-Finanz-Dashboard – Datenanalyse
Selbstständig
- Verarbeitung, Bereinigung und Visualisierung von Finanzdaten mit SQL und Power BI.
Produktqualitätsprognose – Datenanalyse und Predictive Modellierung
Selbstständig
- Daten verarbeitet: Import, Bereinigung, Skalierung und Aufteilung physikochemischer Variablen.
- Explorative Datenanalyse durchgeführt, um die stärksten Einflussfaktoren mit fortgeschrittener deskriptiver Analyse und Mutual Information zu ermitteln.
- Vorhersagemodelle mit Random-Forest-Regression (Scikit-Learn) entwickelt und Ergebnisse mit SHAP interpretiert.
- Erzielte 1,3 % MSE im Testdatensatz für präzise Weineinstufung und -klassifikation.
- Visualisierungen und Dashboards in Power BI erstellt.
- Python-Bibliotheken wie Pandas, NumPy, Matplotlib, Scikit-Learn, DuckDB und Pydantic eingesetzt.
Datenanalyst & Quant-Entwickler
Selbstständig
- Prozesse automatisiert und agentische KI-Lösungen entwickelt.
- Risikomanagement in Investment- und Handelsframeworks durchgeführt.
- Datenanalyse und Predictive-Modelling in MATLAB durchgeführt, eine überwachte Klassifikationsengine entwickelt, um Position-Trading-Chancen auf globalen Aktienmärkten zu identifizieren.
- Multi-Bagger-Handels- und Investitionsmöglichkeiten mit hoher Trefferquote und strengem Risikomanagement identifiziert.
- Mittelfrequente algorithmische Handelssysteme (MQL5) entwickelt und rückgetestet, einschließlich Long/Short-Trendfolgestrategien und Mean-Reversion-Strategien mit fortgeschrittenen Day-Trading-Indikatoren.
- Parallele Computing-Lösungen eingesetzt und Prozesse in der Produktion in agilen Umgebungen automatisiert.
Business-Analyst
ENGIE
- Entwickelte TCO-Modelle (Total Cost of Ownership) in Excel, um grüne Mobilitätslösungen und Geschäftspläne zu vergleichen.
- Arbeitete mit M&A-Teams an der Bewertung von Vermögenswerten.
- Verwaltete Budgets und Beziehungen zu internen Kunden.
- Betreute VIEs.
- Untersuchte Marktpotenzial, Wettbewerb und Regulierung im Bereich grüne Mobilität.
Marktanalyst
ENGIE
- Setzte SQL-Abfragen und Machine-Learning-Klassifikationstechniken ein, um das Kundenverhalten anhand von Smart-Thermostat-Daten zu segmentieren.
- Lieferte Erkenntnisse zur Energieeffizienz.
- Modellierte langfristig das Angebot, die Nachfrage und die Preise des italienischen Strommarkts für strategische Positionierung und Investitionsunterlagen.
Prognose-Spezialist
Electrabel
- Entwickelte mit MATLAB und SAS prädiktive statistische Modelle für den belgischen Strom- und Gasverbrauch.
- Optimierte die Schätzung der Spitzen-Gasnachfrage in MATLAB und erzielte 8% Kosteneinsparungen.
Universitätslehrassistent
UCLouvain Institute of Statistics
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Energie, Bank- und Finanzwesen und Bildung.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Investitionen, M&A & Venture Capital, Finanzen, Business Intelligence, Strategie und Planung, Betrieb und Forschung und Entwicklung (F&E).
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Thomas spricht folgende Sprachen: Französisch (Muttersprache), Englisch (Verhandlungssicher), Niederländisch (Fortgeschritten).
Thomas hat mindestens 19 Jahre Erfahrung. In dieser Zeit hat Thomas in mindestens 9 verschiedenen Rollen und für 4 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 2 Monate. Beachten Sie, dass Thomas möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Thomas gut geeignet für Rollen wie: KI-gestützte Dokumentenentwicklung, Systematische Handelsinfrastruktur – Quant-Entwicklung, ETL-Pipeline & BI-Finanz-Dashboard – Datenanalyse.
Die neueste Position von Thomas ist KI-gestützte Dokumentenentwicklung bei Selbstständig.
In den letzten Jahren hat Thomas für Selbstständig gearbeitet.
Thomas hat die meiste Erfahrung in Industrien wie Energie, Bank- und Finanzwesen und Bildung. Thomas hat auch etwas Erfahrung in Informationstechnologie (IT), Professionelle Dienstleistungen und Lebensmittel und Getränke.
Thomas hat die meiste Erfahrung in Bereichen wie Investitionen, M&A & Venture Capital, Finanzen und Business Intelligence. Thomas hat auch etwas Erfahrung in Strategie und Planung, Betrieb und Forschung und Entwicklung (F&E).
Thomas hat kürzlich in Industrien wie Bank- und Finanzwesen, Informationstechnologie (IT) und Professionelle Dienstleistungen gearbeitet.
Thomas hat kürzlich in Bereichen wie Finanzen, Investitionen, M&A & Venture Capital und Informationstechnologie (IT) gearbeitet.
Thomas hat einen Master in Statistik von UCLouvain, einen Master in Physik von UCLouvain und einen Bachelor in Bauingenieurwesen von UCLouvain.
Die Verfügbarkeit von Thomas muss bestätigt werden.
Ähnliche Freelancer
Entdecke andere Experten mit ähnlichen Qualifikationen und Erfahrungen
Jennifer K.
Letzte Position:
KI-Produktmanager und Ingenieur bei Human-in-the-Loop Studio
- Architektur und Aufbau eines GenAI-basierten Tools zur automatisierten Asset-Erstellung für Social-Media-Kampagnen mit Nano Banana und Python. Es verarbeitet Kampagnenbriefing, Zielgruppe und zwei Produkte als Eingabe, generiert optimierte Prompts für Bild- und Textproduktion und nutzt Funktionen für Textpositionierung, ansprechende Overlays, Größenanpassung und strukturiertes Hochladen in AWS S3.
- Entwicklung und Aufbau einer Multi-Agenten-News-Intelligence-Plattform mit spezialisierten Rollen, darunter Retriever-Agenten (Tavily-Web-Scraping), Synthese-Agenten und Claude als Kurator/Orchestrator, und Entwurf autonomer Agentenzusammenarbeitsmuster mithilfe von LangChain und RAG.
- Aufbau eines autonomen Kundendienst-Agenten mit n8n und LLMs, der End-to-End-Support-Automatisierung mit nachvollziehbarer Argumentation, Governance-Kontrollen und skalierbarer Workflow-Orchestrierung mittels Python und Vektordatenbanken bietet.
- Entwicklung einer Finanzvalidierungs-Engine mit ML-gestützter Anomalieerkennung zur Plausibilitätsprüfung von Rechnungen, Compliance-Automatisierung und Risikominderung unter Verwendung von TensorFlow und SQL.
- Erstellung einer Kosteneinsparungsanwendung mittels OCR, KI, Pandas und NumPy für Datenanalyse, um Optimierungspotenziale zu identifizieren.
Stylianos I.
Letzte Position:
Gründer und leitender Machine-Learning-Ingenieur bei Stealth AI Startup
- Entwicklung einer durchgängigen KI-Plattform für die de novo-Arzneimittelforschung und Systempharmakologie mit besonderem Fokus auf neuartige Neuro-Therapeutika. Erstellung eines umfassenden, investorenreifen Geschäftsmodells mit automatisierter Strategie für geistiges Eigentum und neuartigen Mechanismen zur Risikoabsicherung.
- Entwicklung von Pipelines für Deep Reinforcement Learning (DRL) zur Steuerung der Molekülgenerierung. Entwicklung individueller, mehrzieliger Belohnungsfunktionen zur iterativen Optimierung von Wirkstoffen hinsichtlich synthetischer Zugänglichkeit (SA), quantitativer Einschätzung der Arzneimittelähnlichkeit (QED) und Rezeptorbindungsaffinität.
- Konzeption und Bereitstellung komplexer Retrieval-Augmented-Generation-Architekturen (Graph RAG), die von LLM-Komitees betrieben werden. Einsatz dieser Multi-Agenten-Workflows zur autonomen Analyse biochemischer Literatur, Identifizierung therapeutischer Ziele und Zuordnung pharmakologischer Wirkmechanismen.
- Entwicklung graphbasierter neuronaler Netze (GNNs) für fortgeschrittene Eigenschaftsvorhersagen sowie Einsatz generativer Modelle zur Erschließung neuer chemischer Räume und deutlichen Beschleunigung von in silico-Zyklen zur Optimierung von Leitstrukturen.
- Entwicklung einer individuellen, von kdb+ inspirierten Open-Source-Analysedatenbank in Julia zur Verarbeitung großer Datenmengen mit hoher Geschwindigkeit. Entwicklung der zentralen Vektorspeicherschicht auf Basis von PostgreSQL mit pgvector für eine effiziente semantische Suche.
- Verwaltung der gesamten Rechenumgebung und Optimierung von Deep-Learning-Workloads für die parallele Ausführung mit intensiver CUDA-/GPU-Beschleunigung in einer Docker-basierten Ubuntu-Linux-Umgebung (WSL).
Verwendete Technologien, Bibliotheken und Frameworks: PyTorch, Graph Neural Networks (GNNs), Hugging Face Transformers, Ray RLlib, Stable Baselines3, DeepChem, RDKit, OpenBabel, LangChain, LlamaIndex, OpenAI-/Anthropic-APIs, Julia, PostgreSQL (pgvector), Docker, CUDA, Ubuntu Linux (WSL), Google Compute Engine
- Derzeit Entwicklung einer leistungsstarken Open-Source-Datenbank-Engine in Julia, konzipiert als moderne, KI-native Entsprechung des kdb+-Ökosystems. Das Projekt basiert auf einer eingehenden architektonischen Analyse dekompilierter kdb+-Strukturen und bildet dessen extrem latenzarme In-Memory-Spalten-Speichermechanik nach, während gleichzeitig Vektorspeicherfunktionen integriert werden. Durch die vollständige Nutzung von Julias JIT-Kompilierung und Mehrfachdispatch ist das System für die Verarbeitung kontinuierlich eingehender Hochfrequenzdaten und komplexer mehrdimensionaler Ähnlichkeitssuchen ausgelegt. Die Engine dient als hochoptimierte Infrastrukturschicht und bietet Geschwindigkeit auf Unternehmensniveau für quantitative Modellierung und groß angelegte Machine-Learning-Pipelines ohne den Aufwand proprietärer Lizenzen
Dany-Armand D.
Letzte Position:
Senior-Datenwissenschaftler bei ibg NDT GmbH
- Untersuchung des Zusammenhangs zwischen Wirbelstromprüfsignalen (ECT) und mikrostrukturellen Eigenschaften
- Erkennung verborgener Muster in ECT-Daten, die grundlegende Materialeigenschaften widerspiegeln
- Entwicklung und Validierung prädiktiver Modelle zur Klassifizierung und Quantifizierung der Mikrostruktur unter Verwendung von Härte und Randschichthärtetiefe als Referenzwerten
- Anwendung der Bayes'schen Strukturgleichungsmodellierung für fortgeschrittene Datenanalysen
Patrick R.
Letzte Position:
Program Manager bei Public Sector
Leitung und Steuerung strategischer Digitalprojekte zur Unterstützung des Servicemanagements und zum Aufbau einer serviceorientierten Organisation
Planung, Koordination und Steuerung von ~25 Digitalprojekten nach Best Practices gemeinsam mit Projektleitern
Durchführung des Portfoliomanagements: Roadmapping, Abhängigkeitsmanagement, Anforderungsaufnahme, Business-Case-Validierung, Lösungskonzeption, Meilenstein-Tracking, Risikomanagement, SQERT-Reporting, Finanzüberwachung (Capex, Opex)
Unterstützung der Projektteams und Sicherstellung einer durchgängigen Projektabwicklung
Mitwirkung am Fundament des Servicemanagements: ITSM, ITAM, ITOM, CMDB, SOO, CSDM
Schätzung und Zuweisung des Ressourcenpools
Kontinuierliche Verbesserung der Projektmethodik und -praktiken
Aubin T.
Letzte Position:
Business Analyst bei DB Energie
- Agiles Anforderungsmanagement nach Vorgaben der Konsultation
- Entwicklung eines Stammdatensystems
- Vorbereitende Tätigkeiten für Audits
- Steuerung des Entwicklungsteams für die Entwicklung der Micro-Services zur Abrechnungsvorbereitung und -durchführung
- Konzipierung der Anbindung an diverse interne und externe Schnittstellen
- Konzipierung der Release-Zyklen und Planung des Notfall-Managements
Thomas H.
Letzte Position:
Senior MLOps-, DevOps Engineer bei Trianel Energy
- Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
- Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
- Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
- Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
- Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
- Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
- Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
- Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
- Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
- Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
- Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
- Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
- Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
- Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als KI-gestützte Dokumentenentwicklung

