Erfahrungen
Senior Data Scientist
Meta
- Entwickelte eine LLM-Agenten-Pipeline mit Offline- und Online-Evaluierungsframeworks unter Einbeziehung von Datensätzen mit menschlichen Annotationen und LLM-as-a-judge
- Optimierte Llama-Modelle mit Low-Rank Adaptation (LoRA) für domänenspezifische Aufgaben und verbesserte so Antwortqualität, Präzision und Recall.
- Statistische Experimente zur Bewertung und Optimierung der Cloud- und Compute-Leistung.
- Analysierte Netzwerk- und Streamingdaten, um statistische Muster und wichtige Faktoren für die Nutzerbindung zu identifizieren.
Tech-Stack: Python, PyTorch, SQL
Quantitative Analyst
UBS
- Wurde nach mehreren erfolgreichen Beratungsprojekten im quantitativen Bereich während meiner vorherigen Zeit bei KPMG direkt von UBS eingestellt.
- War als Quantitative Lead für die Entwicklung statistischer Modelle für Commodity Trade Finance und Immobilien nach der Fusion von Credit Suisse und UBS verantwortlich.
- Entwickelte prädiktive Machine-Learning-Modelle über den gesamten Modellierungsprozess hinweg, einschließlich Datenbeschaffung, statistischer Analyse, Feature-Auswahl, Modelltraining, Kalibrierung und Validierung.
Tech-Stack: Python, R, SQL
Software- und KI-Ingenieur
Vista Weather
- Entwickelte und veröffentlichte mehrere hoch bewertete Apps (durchschnittlich 4.9/5 Sterne) für iOS und Android, darunter Vista Weather, das innerhalb von zwei Wochen nach der Veröffentlichung auf einer Apple-News-Website vorgestellt wurde.
- Vista Weather: Entwickelte eine datengestützte Wetter-App, die Vorhersagen von 25+ Wettermodellen über REST APIs und automatisierte Datenpipelines integriert.
- Entwickelte ein Niederschlagsradar-Vorhersagemodell mit einem physikbasierten neuronalen Netzwerk.
- Entwickelte eine automatisierte Python-Pipeline, um große Wetterdatenmengen für eine latenzarme Bereitstellung über die Cloud und die Visualisierung auf Client-Seite zu verarbeiten und zu optimieren.
- Kawaii Weather: Optimierte ein vortrainiertes Open-Source-Diffusionsmodell zur Bilderzeugung mit PyTorch, LoRA und SimpleTuner, um von japanischen Anime inspirierte Stadtillustrationen zu erstellen.
- Linguico: Entwickelte eine Deutschlern-App mit Schwerpunkt auf Grammatik und Wortschatz unter Einsatz von Web Scraping und NLP.
- Muscle WOD: Entwickelte eine App zur Erstellung von Functional-Fitness-Workouts.
- Squat Blaster: Entwickelt eine Augmented-Reality-Fitness-App mit Computer Vision und Pose-Erkennung.
Tech-Stack: Swift, Python, JavaScript, React Native, AWS, Firebase, GCP, Cloudflare, Oracle Cloud, Azure, FastAPI
Data Scientist / Manager
KPMG Switzerland
- Leitete quantitative Themen und unterstützte jüngere Kollegen bei technischen Inhalten.
- Entwickelte ein Modell für den analytischen Hierarchieprozess (AHP) sowie Machine-Learning-Modelle mit linearer Regression, logistischer Regression, Probit-Regression, Random Forests und neuronalen Netzwerken.
- Entwickelte Vorhersagemodelle für Kundenabwanderung und Ausfallrisiken in Kreditportfolios in den Bereichen Immobilien, Unternehmen, vermögende Privatpersonen, Hedgefonds und Private Equity.
- Datenbeschaffung, Datenvorverarbeitung, Feature-Auswahl, Zeitreihenanalyse und statistische Tests.
- Entwickelte einen Ansatz zur Verarbeitung natürlicher Sprache (NLP), um Varianten von Kundennamen in Datenbanken abzugleichen.
Tech-Stack: Python, R, SQL, Git
Quantitative Analyst
ABN AMRO Bank
- Leitete quantitative Themen und unterstützte jüngere Kollegen bei technischen Inhalten.
- Entwickelte eine Methodik zur statistischen Korrelationsanalyse.
- Makroökonomische Analyse von Ausfallraten im Zusammenhang mit dem wirtschaftlichen Umfeld.
- Unterstützte Kreditsachbearbeiter bei der Durchführung wirtschaftlicher Analysen großer Firmenkunden.
Tech-Stack: Python, SQL
Validierung von Derivatemodellen
Deloitte NL
- Leitete eine wöchentliche Diskussionsgruppe zu Methoden mit mehr als 30 Teilnehmenden.
- Entwicklung und Validierung von Bewertungs- und Cashflow-Modellen für Zinsderivate.
- Durchführung quantitativer Analysen in Python und Validierung der Berechnungsergebnisse in C#.
Tech stack: C# (Visual Studio), Python (Spyder, Jupyter Notebook), SQL, Git
CEO
family restaurant
Aus familiären Gründen unterstützte ich vorübergehend das von meinen Eltern gegründete Restaurant.
Spezialist für quantitative Modellierung
De Nederlandsche Bank
- Mit 25 Jahren wurde ich der jüngste Vorsitzende einer Expertengruppe der Zentralbank, des „Market Risk and Counterparty Credit Risk Expert Network“, und leitete eine monatliche Diskussionsgruppe mit mehr als 15 Personen zu statistischen Modellen.
- Schwerpunkte: Marktrisiko (VaR, RNIV, IRC, EC, Stresstests) und Zinsrisiko.
- Durchführung von Modellprüfungen vor Ort bei einer großen niederländischen Bank, Bewertung statistischer Tests zur Modellgüte und Methodik sowie Festlegung der daraus resultierenden Modellzulassung.
Tech stack: Matlab, R
Praktikant im Finanzrisikomanagement
ASR Nederland
- Erstellung der Modelldokumentation für Risiko- und Solvenzmodelle, Beschaffung von Daten, Berechnung von Portfoliostatistiken sowie Erstellung wöchentlicher und monatlicher Berichte zu Zinsrisiken und Solvenz.
Tech stack: Matlab, VBA, SQL, Bloomberg Terminal
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Bank- und Finanzwesen, Informationstechnologie (IT), Bildung, Sport und Freizeit, Immobilien und Lebensmittel und Getränke.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Finanzen, Informationstechnologie (IT), Produktentwicklung, Business Intelligence und Strategie und Planung.
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Zhongzhi ist in Altendorf, Schweiz ansässig.
Zhongzhi spricht folgende Sprachen: Niederländisch (Muttersprache), Deutsch (Verhandlungssicher), Englisch (Verhandlungssicher), Italienisch (Verhandlungssicher), Polnisch (Verhandlungssicher), Russisch (Verhandlungssicher), Chinesisch (Verhandlungssicher).
Zhongzhi hat mindestens 11 Jahre Erfahrung. In dieser Zeit hat Zhongzhi in mindestens 8 verschiedenen Rollen und für 9 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 1 Jahr und 3 Monate. Beachten Sie, dass Zhongzhi möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Zhongzhi gut geeignet für Rollen wie: Senior Data Scientist, Quantitative Analyst, Software- und KI-Ingenieur.
Die neueste Position von Zhongzhi ist Senior Data Scientist bei Meta.
In den letzten Jahren hat Zhongzhi für Meta, UBS, Vista Weather und KPMG Switzerland gearbeitet.
Zhongzhi hat die meiste Erfahrung in Industrien wie Bank- und Finanzwesen, Informationstechnologie (IT) und Bildung. Zhongzhi hat auch etwas Erfahrung in Sport und Freizeit, Immobilien und Versicherung.
Zhongzhi hat die meiste Erfahrung in Bereichen wie Finanzen, Informationstechnologie (IT) und Produktentwicklung. Zhongzhi hat auch etwas Erfahrung in Business Intelligence und Strategie und Planung.
Zhongzhi hat kürzlich in Industrien wie Informationstechnologie (IT), Bildung und Sport und Freizeit gearbeitet.
Zhongzhi hat kürzlich in Bereichen wie Informationstechnologie (IT), Produktentwicklung und Business Intelligence gearbeitet.
Zhongzhi hat einen Master in Ökonometrie / Statistik von University of Amsterdam und einen Bachelor in Ökonometrie und Operations Research / Statistik von University of Amsterdam.
Zhongzhi hat 9 Zertifikate. Darunter sind: Deutsch-Kurs C1.1, Chartered Financial Analyst (CFA®) und Grundlagen der C#-Programmierung.
Zhongzhi wird ab Dezember 2026 vollzeit verfügbar sein.
Tagessatzverteilung
Die angegebenen Tagessätze entsprechen der typischen Marktspanne für Freelancer in dieser Position, basierend auf aktuellen Projekten auf unserer Plattform.
Durchschnittlicher Tagessatz für ähnliche Positionen
Die Tagessätze basieren auf aktuellen Projekten und enthalten keine FRATCH-Marge.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 19 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Ähnliche Freelancer
Entdecke andere Experten mit ähnlichen Qualifikationen und Erfahrungen
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).
Eduard V.
Letzte Position:
Leiter Workshop „Einführung von KI Entwicklungstools“ bei Softwareunternehmen in Wiesbaden
- Vortrag zur Einführung in generische K.I. und Large Language Models
- Erläuterung rechtlicher Rahmenbedingungen (EU AI Act, US CLOUD Act, DSGVO)
- Systematische Betrachtung von KI-Tools entlang des SDLC und Holistische Systeme
- Vergleich On-Prem LLMs vs. cloudbasiert sowie Change-Management und Betriebsrat
- Moderation der Diskussion und Ableitung nächster Schritte für die Einführung von KI Entwicklungstools
Martin M.
Letzte Position:
Product Owner AI-Lernplattform bei B2B Tech Scale-Up
- Agiler Aufbau einer multimodalen Analyseplattform für Trainingsmaterial (Video, Audio, Dokumente) nach Scrum
- Extraktion kontextrelevanter Inhalte basierend auf Nutzerprofilen & Kompetenzdimensionen
- Personalisierte Ausspielung von Lerninhalten zur Steigerung der Vertriebsperformance
- Enge Abstimmung mit Sales-Teams & Stakeholdern zur Validierung der Features
- Einsatz von Gemini, Whisper, Python & JavaScript, Deployment auf AWS, Perl für Skripte zum Datenimport
- Integration in bestehende Tools & CRM-Systeme zur reibungslosen Einführung
- Genutzte Technologien: Python, OpenAI, Datenbanktechnologien wie PostgreSQL, CI/CD für AirFlow-DAGs, FastAPI
Malik O.
Letzte Position:
KI-Wissenschaftler bei SQPS
- Intelligente Dokumentenverarbeitung mit OCR und Computer Vision: Konzipierte die durchgängige KI-Pipeline im Kern des GenAI-Dokumentenverarbeitungsprodukts von SQPS. Sie wandelt Stapel gescannter Papierdokumente und PDFs in organisierte, durchsuchbare Dokumente um und kombiniert dafür Bildvorverarbeitung, OCR und Layoutanalyse für Scans unterschiedlicher Qualität. Technologien: Python, OpenCV, Tesseract / PaddleOCR, PyTorch, FastAPI
- Automatische Dokumententrennung und -klassifizierung: Entwickelte Modelle, die in einem einzelnen Scan mit mehreren Dokumenten erkennen, wo ein Dokument endet und das nächste beginnt, und jedes Dokument nach Typ klassifizieren (Rechnungen, Verträge, Briefe, Berichte), um eine vollständig automatisierte Ablage zu ermöglichen. Technologien: Python, PyTorch, scikit-learn, Hugging Face Transformers
- Informationsextraktion und intelligente Dateibenennung mit LLMs: Implementierte ein GenAI-Extraktionssystem auf LLM-Basis, das Datumsangaben, Namen und Referenznummern aus unstrukturierten Dokumenten ausliest und daraus einheitliche, regelbasierte Dateinamen erstellt. Dabei lassen sich die Namenskonventionen für jede Organisation individuell festlegen. Technologien: Python, LangChain, OpenAI, SentenceTransformers, SQL
Anton K.
Letzte Position:
Leiter der technischen Gesamtintegration NSC / Entwicklung von Hadoop Cloud bei IABG
Leiter der technischen Gesamtintegration NSC (National Secure Cloud, Projekt mit ca. 60 Mitarbeiter).
Technische Integration von allen Subprojekten in ein Produkt, Definition von Schnittstellen, Basiskomponenten einer Cloud inklusive Hardware, technische Architektur der Basis IABG.
Entwicklung eines Cloud Management Platforms (CMP), die in der Lage ist, Private/Mixed Cloud von beliebiger Komplexität anhand einer textuellen Beschreibung mit einem Click oder interaktiv zu erstellen.
CMP beinhaltet auch den kompletten Zyklus Hardware Management.
Als Basis wird Kubernetes, Openstack und Hadoop benutzt.
Die Managementschicht beinhaltet Harbor, Gitea, Longhorn, Keycloak, Rancher und Jenkins, die automatisch konfiguriert sind.
Privat Cloud kann beliebige Workloads von Kunden ausführen, darunter volle Hadoop Schicht mit HDFS, Spark, MapRed, Mezos, HBase und ca. 20 weiteren ML/DL Technologien.
Hadoop Worker Cluster kann auch ohne Kubernetes on Bare Metal oder Commodity Hardware automatisch installiert werden.
Openstack mit Nova, Neutron, Ironic, Swift, Cinder, Ceph.
Entwicklung einer Java Anwendung Rudi: Soap, Rest, Containers, DB.
Technologien: Kubernetes (K3s, Rke2, Minikube, Harbor, Gitea, Jenkins, Longhorn, Keycloak, Rancher), Openstack (Nova, Neutron, Keystone, Swift, Ceph, Cinder, Sahara, Magnum, Kayobe, Kolla, Bigrost, Ironic), Hadoop (HDFS, Ambari, Solr, Livy, Ranger, YARN, Tez, HBase, Kafka, Hive, Zookeeper, MapReduce, Spark, Oozie, Flink), Virtualizierung (Kubernetes (K3S), VMware, Oracle), Skripting (Ansible, Puppet, Juju, Shell, Groovy, Gradle, Maven).
Tungi D.
Letzte Position:
Technisches PMO | Delivery Master | LLM-Experte bei Stealth - NDA
- Verantwortung für RAG-, LLM-System- und ML-ops-Pipelines für verschiedene Start-ups in den Bereichen Versicherung, Banking und Energie (KRITIS)
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Senior Data Scientist
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Altendorf, Schweiz arbeiten

