Vasco F.-Senior AI-Ingenieur

Databricks-Architektur & KI-Datenprodukte [Databricks Apps · Unity Catalog · Delta Lake · Lakebase · Asset Bundles · Azure DevOps · MCP]

• Entwarf eine mehrschichtige Databricks-Finanzdatenarchitektur: Apps/FastAPI für die Bereitstellung, modulare Python-Berechnungsengines, SQL/Delta für kontrollierte Analysen und Unity Catalog Volumes für versionierte Workbook-Ausgaben.
• Integrierte operative Daten aus Lakebase PostgreSQL mit Analysen im SQL Warehouse und hielt transaktionale und analytische Zugriffe durch die App-Service-Principal-Identität, kurzlebige Zugangsdaten und kontrollierte, schreibgeschützte Datenschnittstellen getrennt.
• Definierte eine DEV/TST/PRD-Bereitstellungsarchitektur mit Databricks Asset Bundles und automatisierter Azure DevOps CI/CD, einschließlich wiederverwendbarer Umgebungskonfigurationen, OAuth-M2M-Identitäten und automatisierter Verwaltung des Lebenszyklus von Anwendungen und Ressourcen.
• Entwarf Zugriffsgrenzen für Apps, SQL Warehouses, Unity-Catalog-Tabellen/Funktionen/Volumes und Secret Scopes. Trennte Deployment-, Anwendungs- und SQL-Identitäten durch deklarative Ressourcenberechtigungen und umgebungsspezifische Authentifizierung.
• Entwickelte serverlose Spark-Pipelines für Geodaten und eine nachvollziehbare Speicherarchitektur, die unveränderliche Volume-Artefakte, Revisionsverläufe und eine nur ergänzbare Delta-Historie mit dauerhaft gespeicherter Audit-Ereignisübermittlung verbindet.
• Verknüpfte AI-Hub-Agenten über typisierte REST/MCP-Schnittstellen mit kontrollierten Databricks-Finanz-Workflows. Implementierte CAPEX/OPEX-, Commercial-, Lease- und IRR/NPV-Engines mit Szenariovalidierung und Konsistenzprüfungen für Workbooks.

Agentischer Workflow für EGA und Audit-Arbeitsplan [LangGraph · LangChain · Azure OpenAI · Azure Document Intelligence · pgvector · Azure Databricks · Streamlit]

• Entwarf und implementierte einen produktiven agentischen Audit-Workflow mit einem LangGraph-Supervisor, der spezialisierte Worker koordiniert: einen Document Parser Agent (Extraktion von PDFs/Tabellen mit Azure Document Intelligence + Apache Tika), einen Control-Mapping Agent (Abgleich der Aussagen aus der Entity Governance Assessment des Vorjahres mit den Procure-to-Pay-Kontrollen des laufenden Jahres), einen Delta-Detection Agent (Kennzeichnung von Änderungen an Design, operativer Wirksamkeit und Nachweislücken), einen Evidence-Validation Agent (multimodale Prüfungen von Screenshots und Arbeitspapieren) und einen Citation Agent (Erstellung von Fußnoten mit Quellenangaben). So wurde eine manuelle Kontrollprüfung, die mehrere Tage dauerte, in einen Dialog mit Auditoren in Echtzeit und belegten Quellenangaben umgewandelt. Bei der Einführung wurde die Lösung in den Bereichen Finance und Internal Audit eingesetzt.
• Stattete den Agenten mit integrierten Audit-Tool-Aufrufen aus: SQL-Abfragen über Arbeitspapiere in Azure SQL, strukturierte JSON-Extraktion aus PwC-Arbeitsplanvorlagen, automatisierte Erstellung von Kontroll-Walkthroughs, Suche im Risikoregister und Export mit einem Klick in die interne Audit-Plattform von PwC. Der Supervisor koordiniert rund 15 einzelne Schritte pro Auditorenfrage mit klar definierten Übergaben sowie Wiederholungs- und Fallback-Regeln.
• Entwickelte fortgeschrittenes RAG-Retrieval, das bei der Erkennung von Kontrollabweichungen eine Präzision und einen Recall von (>90%) erreichte: hierarchische Embeddings (Dokument (\rightarrow) Abschnitt (\rightarrow) Chunk), synthetische Abfrageerweiterung nach dem HyDE-Prinzip, Reranking mit Cross-Encodern und mehrstufiges Konversationsgedächtnis (gleitendes Fenster + Entitätsspeicher) auf PostgreSQL mit pgvector, ACID-Garantien und ANN-Suche in weniger als 100 ms.
• Entwarf die gesamte Azure-Datenarchitektur: Spark-basierte PDF-/Tabellenvorverarbeitung auf Azure Databricks (containerisierte, parametrisierte DAGs), Orchestrierung mit Azure Functions + Event-Grid-Triggern, Versionierung von Artefakten in Azure Blob Storage und CI/CD in Azure DevOps mit automatisierten Integrationstests. Bereitstellung über ein Streamlit-Dashboard mit Token-Ausgabe in Echtzeit, Pop-ups mit Quellenlinks und Markdown-Darstellung.
• Integrierte multimodale Kontrollvalidierung durch die stapelweise Vektorisierung von Kontroll-Screenshots und Nachweisbildern mit GPT-4 Vision. Dabei wurden Aussagen im Text im selben Chatfenster mit visuellen Artefakten abgeglichen – ein neuartiger Audit-Ansatz, mit dem Auditoren Unstimmigkeiten in einem einzigen Gesprächsschritt erkennen können.
• Richtete die Lösung an den Unternehmensstandards der Big Four aus: Prompt-Vorlagen (Schwärzung personenbezogener Daten, Moderation durch Leitplanken), Erfassung der Tokenkosten pro Prüfungsauftrag, LLM-as-judge-Regressionstestsuite, DSGVO-konforme Richtlinien zur Datenaufbewahrung und Power-BI-Telemetrie-Dashboards. So entstand ein wiederverwendbarer GenAI-Audit-Blueprint als unternehmensweiter KI-Beschleuniger.

Autonomer Agent für die Entwicklung eingebetteter Software [Anthropic Agent SDK · LangGraph · Claude 3.5 Sonnet · GPT-4 · Azure OpenAI · C/C++ · HIL CI/CD]

• Entwarf und leitete die Entwicklung eines autonomen Coding-Agenten mit mehreren Schritten auf Basis des Anthropic Agent SDK. Er koordinierte einen Supervisor und 5 spezialisierte Worker (Code Generator, Static Analyser, Test Scaffolder, HIL Runner, Memory Manager), die die Entwicklung eingebetteter C/C++-Firmwarefunktionen von Anfang bis Ende automatisieren: von der natürlichsprachlichen Spezifikation bis zum am Gerät validierten Commit. Dadurch sank die durchschnittliche Entwicklungszeit für Funktionen um ~30 %, und erfahrene Embedded Engineers wurden von wiederkehrenden Standardaufgaben entlastet.
• Nutze die nativen Tool-Use-Funktionen und das Streaming mit langem Kontext des Anthropic Agent SDK, sodass der Supervisor deterministische Sub-Tools (Compiler, Linter, HIL Runner) als vollwertige Bestandteile aufrufen konnte: Claude 3.5 Sonnet übernahm Planung, Selbstreflexion und Kritik, während GPT-4 über Azure OpenAI als paralleler Reviewer Abweichungen zwischen Modellen erkannte, bevor Commits freigegeben wurden.
• Integrierte MISRA-C 2012 und Clang-Tidy als direkte Agent-Tool-Aufrufe: Der Static-Analyser-Worker führt die vollständige Prüfsuite für den generierten Code aus, wandelt Diagnoseausgaben in strukturiertes JSON um und gibt Beschreibungen der Verstöße zur gezielten Selbstkorrektur an den Code Generator zurück. So entstand ein geschlossener Regelkreis, der Sicherheitsstandards nach ISO 26262 / IEC 61508 ohne menschliches Eingreifen durchsetzt.
• Verbund den Agenten über einen eigens entwickelten gRPC-Adapter mit der Hardware-in-the-Loop-CI/CD-Pipeline (HIL) von ZEISS: Der HIL-Runner-Worker überträgt die generierte Firmware auf eine simulierte Sensorplatine, streamt Testdaten (Anzahl bestandener/nicht bestandener Tests, Timing-Verstöße, Registerzustände) zurück in die LangGraph-State-Machine und löst bei Fehlern eine korrigierende Neugenerierung aus. So entstand ein selbstheilender Regelkreis, der bei >90 % der Aufgaben die HIL-Validierung in ≤ 3 Iterationen besteht.
• Machte Regressionstests zu einem festen Prüfschritt im Agenten-Workflow: Jeder mögliche Patch wird automatisch mit der bestehenden C/C++-Unit-Testsuite (GoogleTest/Unity) und dem HIL-Regressionstest ausgeführt; die Ergebnisse werden als strukturierte Diagnosen zurückgegeben. Der Agent darf ausdrücklich keinen Pull Request für einen Patch öffnen, der einen zuvor bestandenen Test fehlschlagen lässt. Die Abdeckungsänderung wird für jede Funktion nachverfolgt; sinkt die Zeilen- oder Zweigabdeckung, wird die Freigabe blockiert.
• Entwarf eine zweigeteilte Speicherarchitektur: einen langfristigen Vektorspeicher (ZEISS-Sensor-APIs, BSP-Dokumentation, Konventionen für die Codeentwicklung) für die Codegenerierung mit Retrieval-Augmentation und einen kurzzeitigen Session-KV-Cache für den Architekturkontext über mehrere Gesprächsrunden hinweg. Dadurch gingen erfundene Hardware-Registerverweise im Vergleich zu einer unveränderten GPT-4-Baseline um >85 % zurück.

Zeitreihenprognosen [N-BEATS · Chronos · Azure ML · Prophet]

• Verantwortete die technische Strategie und die Führung des Teams für die unternehmensweite Prognosefunktion von ZEISS: leitete ein Team aus 4 Data Scientists und 2 ML Engineers in den Bereichen Finanz- und Betriebsprognosen, führte wöchentliche Architekturprüfungen und Sprintplanungen durch und begleitete die einzelnen Teammitglieder. Definierte die ML-Systemarchitektur (Feature-Store-Design, Auslöser für erneutes Training, Champion/Challenger-Evaluierungsframework) und stellte den Bereichs-VPs vierteljährliche Roadmaps vor.
• Bewertete und integrierte moderne Zeitreihenmodelle: Amazon Chronos (Zero-Shot), N-BEATS, N-HiTS und TFT. Verglich sie mit klassischen Baselines (ARIMA, Prophet, ETS) und entwickelte ein strenges Walk-Forward-Cross-Validation-Framework mit Pinball-Loss- und WAPE-Metriken. GenAI-basierte Modelle übertrafen klassische Ansätze bei 7/9 Ziel-KPIs in der Finanzszenarioplanung.
• War Lösungsarchitekt für die abteilungsübergreifende Dateninfrastruktur von ZEISS: entwarf Azure-native Feature-Engineering-Pipelines (Azure ML, ADF, Databricks Delta Lake, DevOps CI/CD), mit denen sich neue Geschäftsbereiche über eine Self-Service-API zur Schemaregistrierung innerhalb von 2 Wochen integrieren ließen.

Optimierung von Fertigungsprozessen [Kausale Inferenz · DoWhy · EconML · OPC UA/SCADA]

• Leitete ein bei ZEISS einzigartiges Programm für kausale KI und setzte constraintbasierte (PC/FCI), scorebasierte (GES) und linear-nicht-gaussianische (LiNGAM) Algorithmen zum Erlernen von Strukturen auf dichten, multivariaten SCADA-Sensordatenströmen ein. So wurden verborgene vorgelagerte Fehlerpfade aufgedeckt, die bei einer Korrelationsanalyse nicht sichtbar waren.
• Entwickelte doubly-robuste kausale Schätzer (DML, DR-Learner mit EconML), um unverzerrte ATE/CATE-Schätzungen zu den Auswirkungen von Eingriffen in Prozessparameter auf die Kratzerrate von Linsen und den MTF-Wert zu erstellen. So erhielten die Entwicklungsteams Belege aus dem Do-Kalkül für gezielte Anpassungen an Maschinen, die die Fehlerquote in der betreffenden Produktionslinie senkten.
• Entwickelte Bayes'sche Netzwerksimulatoren für Was-wäre-wenn-Szenarien auf Basis gelernter DAGs. Damit konnten Qualitätssicherungsteams virtuelle Do-Eingriffe (do(X = x)) vor physischen Tests durchführen und so die Anzahl physischer Experimentzyklen für neue Prozesskonfigurationen senken.

Anomalieerkennung in Logdaten [Autoencoder · LSTMs · Transformers · MLOps]

• Entwarf eine unternehmensweite Plattform für die Loganalyse in der pharmazeutischen Produktion von Intraokularlinsen: ein Ensemble aus unüberwachtem Autoencoder und Isolation Forest zur Erkennung von Anomalien über mehrere Sensoren hinweg, LSTM-/Transformer-Modelle zur Erkennung sequenzieller Muster in unstrukturierten Logdatenströmen und eine NLP-Schicht zur Analyse von Logs (Drain3 + Satz-Embeddings) für semantisches Clustering von Anomalien. Bei einer Aufnahme von TBs/Tag wurde die MTTD um 4 % und die Alarmmüdigkeit um 7 % gesenkt.
• Entwickelte eine auf A/B-Tests ausgelegte MLOps-Pipeline in Azure ML für die kontinuierliche Modellüberwachung (Erkennung von Daten-/Concept-Drift mit MMD und PSI), automatisierte Auslöser für erneutes Training, SHAP-/LIME-Erklärungsartefakte pro Alarm und ein Modell-Governance-Register. So wurden unternehmensweite Best Practices für KI zur Anomalieerkennung im gesamten Fertigungsportfolio von ZEISS etabliert.

Programmatic-Bidding-Plattform [RTB · LP · RL · Auktionstheorie · Echtzeit-Feature-Store]

• Konzeption und Verantwortung für das gesamte Programmatic-Bidding-System, das jährlich über $150M an Ausgaben für Stellenanzeigen bei mehr als 500 Fortune-500-Arbeitgebern verwaltet – von Echtzeit-Gebotsentscheidungen (<100 ms RTB-Latenz) bis zur Messung nach Kampagnenende. Festlegung der technischen Roadmap, Leitung eines Teams aus 3 Data Scientists und 2 Engineers sowie Präsentation der Quartalsstrategie vor dem CTO und der Produktleitung.
• Entwicklung eines produktiven Gebotspreis-Optimierers (PuLP + eigene LP-Erweiterungen), der Budgetverteilung (dynamische Pacing-Kurven), CPC-Landschaftsoptimierung und Inventarqualitätsbedingungen für alle aktiven Kampagnen gleichzeitig löst; Senkung der Cost Per Application (CPA) um 6 % bei wöchentlichen Ausgaben von über $10M und Steigerung der Budgetauslastung von 84 % auf 97 %.
• Entwicklung einer Strategie zur Anpassung an Erstpreisauktionen als Reaktion auf den branchenweiten Wechsel von Zweitpreis- zu Erstpreisauktionen 2019-2021: Entwicklung eines Bid-Shading-Algorithmus mit empirischen Gewinnratenkurven (KDE auf historischen Zuschlagspreisen) und einem parametrischen Gebotslandschaftsmodell, um optimale Shading-Koeffizienten pro Publisher/Platzierung zu schätzen; Vermeidung von Mehrausgaben von ~$4M/Jahr für Inventar in Erstpreisauktionen.
• Entwicklung eines Reinforcement-Learning-Gebotsagenten (Stable Baselines3 PPO) für dynamische CPC-Anpassungen im Tagesverlauf: Der Zustandsraum umfasst Echtzeit-Gebotsgewinnrate, Budget-Pace-Verhältnis, Tageszeit und Konversionswahrscheinlichkeit; Belohnung ist -CPA; der Aktionsraum ist ein kontinuierlicher Gebotsmultiplikator in [0.5, 2.0]. Training durch Simulation auf historischen RTB-Protokollen, Validierung im Shadow-Modus vor dem A/B-Rollout; Erzielung einer ROAS-Steigerung von ~8 % bei gezielten Kampagnen gegenüber der reinen LP-Baseline.
• Architektur eines Echtzeit-Feature-Stores (Redis + Hive) mit Feature-Abfragen von <10 ms pro Gebotsanfrage: vorberechnete Publisher-Qualitätswerte, Zielgruppen-Affinitätswerte und zeitabhängige Budget-Pacing-Signale, aktualisiert in 5-Minuten-Micro-Batch-Zyklen über Spark Streaming.

Messung von Inkrementalität und Marketing-Attribution [Geo Holdout · DiD · Shapley · MMM · MTA]

• Aufbau der Inkrementalitätsmessung bei Radancy von Grund auf: Konzeption von Geo-Holdout-Experimenten (gematchte Marktpaare mithilfe synthetischer Kontrollgruppen), zeitbasierten Holdout-Studien und Ghost-Bidding-Tests zur Messung des tatsächlichen kausalen Effekts von Programmatic-Kampagnen; Ersatz eines Last-Click-Attributionsmodells, das die ROAS um ~30 % überschätzte, und Umverteilung von ~$18M des Jahresbudgets auf Kanäle mit dem höchsten inkrementellen Effekt.
• Entwicklung von Pipelines für heterogene Behandlungseffekte (DoubleML, DR-Learner, X-Learner mit EconML/DoWhy), die CATE-Schätzungen auf Zielgruppensegmentebene mit Bootstrap-Konfidenzintervallen liefern; dadurch kann das Bidding-System für Segmente mit hoher Wahrscheinlichkeit einer inkrementellen Konversion höhere Gebote abgeben und die effektiv verschwendeten Ausgaben über alle Accounts hinweg durchschnittlich um ~12 % senken.
• Implementierung eines Markov-Ketten-Modells zur Multi-Touch-Attribution (MTA) (PySpark), das Shapley-Werte anhand des Entfernungseffekts über den gesamten Konversionspfad berechnet (Suche → Display → Programmatic → Retargeting); Bereitstellung von CPA- und Einstellungsraten-Kennzahlen zum tatsächlichen Beitrag einzelner Kanäle für Kunden als Ersatz für anteilige Last-Touch-Heuristiken und direkte Unterstützung von Budgetmix-Entscheidungen für Ausgaben von über $150M.
• Entwicklung eines bayesschen Media-Mix-Modells (MMM) mit hierarchischen Priors (PyMC3), Sättigungskurven (Hill-Funktion) und Adstock-Abklingeffekten, um langfristige Markeneffekte von kurzfristiger Aktivierung zu trennen; Kunden konnten so erstmals Programmatic-, SEM- und organische Kanäle ganzheitlich optimieren.

Erstellung von AdWords-Anzeigentexten und Zielgruppenanalyse [NLP · GenAI · Lookalike-Modellierung · EKS · FastAPI]

• Entwicklung eines produktiven NLP-/GenAI-Systems zur Erstellung von Anzeigentexten: Aufbau einer Domänenontologie (NER + Topic Modeling auf 2M Stellenbeschreibungen), SBERT/FAISS-Entitätenabruf zur Fundierung und Fine-Tuning von GPT/T5 für kontrollierte Textgenerierung unter Einhaltung der Markenstimme-Richtlinien; Bereitstellung als FastAPI-Microservices auf EKS mit Prometheus/Grafana-Monitoring, mit über 100k markenkonformen Anzeigentiteln pro Tag.
• Entwicklung von Lookalike-Zielgruppenmodellen (LightGBM + kalibrierte Wahrscheinlichkeitsausgaben) auf Basis von Erstanbieter-Signalen zu Bewerbungen und Konversionen; Erweiterung der erreichbaren Zielgruppe um Kandidaten mit hoher Konversionswahrscheinlichkeit, mit einer 3 × höheren Konversionsrate als beim Behavioral-Interest-Targeting, wodurch direkt mehr qualifizierte Bewerbungen bei niedrigerer CPA erzielt wurden.

• Konzeption und Verantwortung für eine produktive Spark-Scala-Pipeline auf Azure HDInsight / Azure Databricks, die täglich ~100 GB von über 10,000 vernetzten Fahrzeugen über Azure Event Hubs / IoT Hub aufnimmt, mit eigenen Scala-UDFs zur Dekodierung von CAN-Bus-Signalen und zur Aggregation von Merkmalen auf Fahrtebene; aufbereitete Telemetriedaten wurden unter einem Bronze-/Silber-/Gold-Medallion-Layout in Azure Data Lake Storage Gen2 gespeichert und für nachgelagerte Analyse- und ML-Aufgaben bereitgestellt.
• Orchestrierung von durchgängigen Trainings- und Scoring-Jobs in Azure Data Factory mit parametrisierten Databricks-Notebook-Aktivitäten und Git-basierter CI/CD in Azure DevOps; Modellartefakte wurden in Azure Blob Storage versioniert und über verwaltete Azure-ML-Endpunkte mit automatisierten Drift-Monitoring-Hooks bereitgestellt.
• Entwicklung eines Modells zur Rangfolge der Kraftstoffeffizienz von Fahrern (Scikit-learn), das Flottenmanagern über Power-BI-Dashboards mit Anbindung an die Gold-Schicht von Delta Lake bereitgestellt wurde; außerdem Leitung früher Forschungsarbeiten zur Anomalieerkennung für vorausschauende Wartung mithilfe von Isolation Forests auf CAN-Bus-Telemetriedaten, um abweichende Sensormuster vor einem Komponentenausfall zu erkennen.

• Unterstützte kundenorientierte Datenanalyseprojekte: erstellte SQL-basierte Berichtspipelines, automatisierte regelmäßig erstellte Excel-Dashboards mit Python und erstellte Datenvisualisierungen (Tableau) für interne Audit- und Beratungsteams.
• Sammelte erste Erfahrungen mit strukturierten Datenanalyseprozessen in einem Big-4-Umfeld für professionelle Dienstleistungen und arbeitete mit Finanz- und Betriebsdaten irischer und multinationaler Kunden.