Researcher

• Entwicklung und Wartung von C- und C++-Simulations-Engines mit Python-Analyse für Studien zu 4D-Zufallsgeometrien auf gemeinsamen HPC-Systemen.
• Entwicklung modularer Python-Pipelines mit klaren Schnittstellen und Caching für große Datensätze zur Steigerung des Analyse-Durchsatzes und zur Wiederverwendung.
• Automatisierung von SLURM- und PBS-Batch-Workflows für Einreichung, Überwachung, Umgebungserfassung und Artefakt-Paketierung zur Sicherstellung der Reproduzierbarkeit.
• Umstrukturierung von Dienstprogrammen in getestete, dokumentierte Pakete zur Reduzierung des Wartungsaufwands und Förderung der Zusammenarbeit.
• Betreuung von Bachelorstudierenden und Organisation von Seminaren.
• Veröffentlichung mehrerer begutachteter Fachartikel.

• 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

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

• UX-Research, UX-Konzept und UX-Design für ein KI-Dialogsystem mit Events, Locations, ÖV-Fahrplan- und Sonderfahrtenauskunft. Beobachtungen, Remote-Benutzertests, Sitzungsaufzeichnungen, Analytics-Auswertungen, RapidUser-Tests usw., Prototyping usw., Figma/Figma Make, Claude Design, OpenAI Codex (Design)

• Entwicklung einer modellbasierten KI, in der natürliche Sprache als formale Beziehungen interpretiert wird.
• Begriffe der natürlichen Sprache werden nicht als starr betrachtet, sondern als flexibel. Sie können in einem Kontext ausgehandelt werden, sodass sich die Bedeutung durch iterative Spezifizierung ergibt.
• Entwicklung verschiedenster Modelllösungen.
• Unterstützt durch natürliche Sprache und Datenannotation.
• Von Anforderungen bis zu Code und anderen Lösungen.

• Wirkte bei Project Atlas als Fachexperte mit und unterstützte die Gestaltung realistischer, langfristiger beruflicher Aufgaben zur Bewertung von KI-Agenten. Entwickelte komplexe Workflows mit Bezug zur öffentlichen Gesundheit, die die Fähigkeit eines KI-Agenten testen, mit unklaren Prompts umzugehen, Informationen aus verteilten Dateien und Systemen zusammenzuführen, mehrstufige Abhängigkeiten zu steuern, Fehler zu behandeln und hochwertige professionelle Ergebnisse zu liefern.
• Setzte Fachwissen im Bereich öffentliche Gesundheit ein, um Aufgabenszenarien zu Notfallvorsorge, operativer Einsatzbereitschaft, Stärkung von Gesundheitssystemen, Risikobewertung, Surveillance und politikorientierter Entscheidungsfindung zu entwerfen. Zu den Aufgaben gehörten das Erstellen von Aufgabenprompts, Goldlösungen, Rubriken und Bewertungskriterien, die an realen beruflichen Standards ausgerichtet waren. Gleichzeitig wurde sichergestellt, dass die Ergebnisse handlungsorientiert, ethisch fundiert und geeignet sind, die Leistung fortschrittlicher KI in realistischen Organisationsumgebungen zu bewerten.

• Feinabstimmung und Evaluierung alternativer Backbone-Architekturen für den AFFGAN-Handschriftsstil-Encoder, um schriftstellerspezifische Merkmale besser zu erfassen; Benchmarking gegenüber der ursprünglichen Baseline-Architektur und Ersetzung der veralteten VGG19-Architektur durch einen benutzerdefinierten Transformer-basierten Encoder.
• Erweiterung des Systems über die Synthese auf Wortebene hinaus zur zeilenweisen Handschriftgenerierung durch Integration und Anpassung einer bestehenden Zeilengenerierungsarchitektur zur Unterstützung vollständiger Sätze.
• Bereitstellung der Handschriftgenerierungspipeline als Webanwendung, mit der Nutzer einen Schreibstil auswählen, eigenen Text eingeben und sofort ein entsprechendes Handschriftbild erzeugen können.
• Integration von TrOCR in ein Teacher-Student-Destillierungsframework zur Bewertung und Verbesserung der Lesbarkeit generierter Handschrift; Verbesserung der OCR-Genauigkeit um 20% gegenüber der Baseline.
• Steigerung der Auswahlraten in Nutzerstudien um 40%, was eine deutliche Verbesserung der wahrgenommenen Qualität und des Realismus der generierten Handschrift gegenüber dem Baseline-Modell zeigt.

Technologien: PyTorch, Python, GANs, CNN, ViT, TrOCR, Streamlit, CUDA.

• Entwicklung und Erprobung von Prototypen in den Bereichen angewandte GenAI, RAG, GraphRAG, lokale LLM, agentische KI und Dokumentenintelligenz für strukturierte Analysen, Extraktion von Befunden, semantische Suche, technisches Reasoning und entscheidungsrelevantes Reporting
• Aufbau privater lokaler-LLM-Workflows und KI-Systemmuster mit Fokus auf Datenschutz, Reproduzierbarkeit, Prüfbarkeit, kostengünstige Inferenz und praktische Nutzerkontrolle
• Erstellung reproduzierbarer Python-/R-Workflows für Datenanalyse, Automatisierung, API-gesteuerte Tools, Validierungslogik, technische Dokumentation und KI-gestützte Softwareentwicklung
• Gestaltung von Workflows auf Basis expliziter Annahmen, nachverfolgbarer Eingaben, prüfbarer Ausgaben und Bewusstsein für Fehlermodi statt Black-Box-"sieht gut aus"-Demos
• Unterstützung der RAHN AG in einem chemischen/Regulierungsumfeld bei der Datenextraktion und -verarbeitung rund um WERCS, einer Regulierungsanwendung für Chemieprodukte und Compliance-Daten
• Analyse komplexer Anwendungs-/Datenbankschemata und Erstellung verschachtelter SQL-Abfragen zur Informationsgewinnung für Mischungsberechnungen, Komponentenbeziehungen, regulatorische Regeln und Reporting-Logik
• Fortführung der praktischen Arbeit in Git/GitHub/GitLab/Bitbucket, Docker-/Linux-Deployment-Mustern, REST-/API-Workflows, Fehlerbehandlung, technischem Schreiben und schneller KI-gestützter Prototypentwicklung
• Aufbau von Workflows für technische Dokumentation, die komplexe Systeme in klare Runbooks, Checklisten, Entscheidungsnotizen und nutzerorientierte Erklärungen überführen

Energie, Übertragungsnetzbetreiber · Desktop, Webanwendung

• Produkte Digitalisierung des Netzanschlussprozesses; Stammdaten und Prozesse von Marktstandorten; Bilanzierung der virtuellen MaBiS-Aggregatzeitreihen; das erste durchsuchbare Katalog- und visuelle UI-Pattern-Library der Gruppe

• Planung, Durchführung und Analyse qualitativer Tiefeninterviews: mehr als 100 Interviews mit externen Marktpartnern und internen Fachbereichen

• Gestaltung qualitativer Interviews inklusive Interviewleitfäden und Auswertungslogiken; Recruiting und Terminplanung der Teilnehmer

• Analyse, Aufbereitung und Präsentation der Research-Ergebnisse als Usability-Reports und Ergebnisberichte

• Übersetzung der Research-Ergebnisse in UX- und Designanforderungen sowie Ableitung priorisierter Verbesserungsempfehlungen

• Präsentation von Analyse- und Forschungsergebnissen für Fachbereiche, Product Owner und Entscheider in jeweils passender Form

• UX Research für interne Enterprise- und Line-of-Business-Anwendungen entlang regulierter Marktprozesse

• Quantitative Methoden: Online-Umfragen zur Roadmap-Priorisierung, Fragebogenstudien, Definition und Messung von UX-KPIs

• Moderation von Anforderungsworkshops; Erhebung, Analyse, Beschreibung, Abstimmung und Dokumentation funktionaler und nicht-funktionaler Anforderungen

• Entwicklung von User Flows und Customer Journeys; Aufbau und Bereitstellung von UX-Standards, Methoden und Fähigkeiten (UI-Pattern-Library)

• Arbeit in Produkt- und Projektteams nach Scrum, Teilnahme an allen Fachterminen und Scrum-Events

Impact Drei Softwareprodukte erfolgreich live gebracht

Tools Condens, Miro, FigJam, Figma, Whimsical, Microsoft Teams, Typeform

• Habe den Inferenz-Stack auf einem Multi-Node-DGX-B200-Cluster über vLLM und SGLang bereitgestellt und optimiert (Serving, Durchsatz- und Latenz-Tuning).
• Habe zusammen mit einem kleinen Team eine interne Python-Bibliothek für das LM-Pretraining gebaut, die den kompletten Trainings-Loop abdeckt: verteiltes Training mit PyTorch FSDP, Datenpipelines, Checkpointing, Config- und Hyperparameter-Management sowie Experiment-Tracking.
• Habe Agenten-Gerüste auf interaktiven Game-Benchmarks ähnlich ARC-AGI-3 gebaut und ausgewertet, mit Metriken dafür, wie Modelle planen, erkunden und sich über mehrstufige Episoden anpassen; habe Modellfehler klassifiziert und die Erkenntnisse in das Gerüst- und Evaluationsdesign zurückgespielt.
• Habe Loop-Transformer-Architekturen erforscht.

Conventional Paradigm Test (CPT) – KI-Evaluation & LLM-Forschung

Entwicklung eines experimentellen Evaluationsansatzes zur Untersuchung von „paradigmatic closure“ in Large Language Models – also der Frage, inwieweit LLMs die grundlegenden Annahmen, Wertungen und Grenzen der Paradigmen erkennen können, innerhalb derer sie Antworten generieren.

Konzeption und Erprobung eines ergänzenden Ansatzes zu klassischen AI-Benchmarks, der nicht primär faktische Richtigkeit oder Task Performance misst, sondern die Fähigkeit von Modellen untersucht, alternative Perspektiven zu erkennen, implizite Annahmen offenzulegen und die Grenzen des eigenen Antwort- bzw. Deutungsrahmens zu reflektieren.

Schwerpunkte: Entwicklung von Evaluationskriterien und Testfragen · LLM Evaluation und Comparative Model Analysis · Prompt- und Response-Analyse · qualitative Klassifikation von Modellantworten · Untersuchung von epistemic compression und value leakage · Benchmark- und Literaturrecherche · Entwicklung strukturierter Bewertungs- und Analyseverfahren

Im Rahmen von CPT wurden u. a. bestehende AI-Evaluationsansätze und Benchmarks analysiert sowie ein minimalistisches Testprotokoll entwickelt, das Modellantworten nach Reaktionsmustern wie DIRECT, CLARIFY, PLURALIST, REFUSE und META-AWARE klassifiziert. TruthfulQA wurde dabei als Testgrundlage für die experimentelle Anwendung und den Vergleich mit bestehenden Referenzantworten eingesetzt.

Technologien & Methoden: Large Language Models (LLMs) · Generative AI · Prompt Engineering · AI Evaluation · TruthfulQA · Benchmark Analysis · Human-in-the-Loop Evaluation · Qualitative Content Analysis · Research & Literature Review

• Konzipierte und implementierte KI-gestützte Makrofaktormodelle zur Verbesserung von Asset-Allocation-Entscheidungen in Multi-Asset-Portfolios
• Entwickelte Machine-Learning-basierte FX-Handelsstrategien, indem makroökonomische und Stimmungsdaten integriert wurden, um Gewinnchancen zu identifizieren
• Modelle wurden vom Investment Committee übernommen, um Aktien- und Währungsengagements zu steuern
• Zusammenarbeit mit Portfoliomanagern, um Analyseergebnisse in umsetzbare Investment-Erkenntnisse zu übersetzen

Selbstständige Erkundung von Methoden zur Entwicklung agentischer KI, von der Idee bis zu einer funktionierenden, öffentlich nutzbaren Anwendung

• Ein interaktives Planungstool zur Modellierung von Altersvorsorge-Entnahmen und Steuerstrategie mit einem agentischen KI-Entwicklungsansatz (Vibe Coding) gebaut – als Beispiel für die eigenständige Untersuchung neuer KI-gestützter Entwicklungsmethoden
• Live-Projektionen für Ausgaben unter Berücksichtigung von Steuern und anpassbare Nutzereingaben geliefert; als kostenlose Browser-Anwendung ohne Installation in Python umgesetzt, mit Fokus auf Nutzbarkeit für nicht-technische Anwender

• Forschung zu fortgeschrittenen Materialien und pharmazeutischer Chemie
• Zusammenarbeit in internationalen und interdisziplinären Teams