Researchers in Germany

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

• 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.

• 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.

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

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

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

Ich bewerte hochkarätige Manuskripte auf wissenschaftliche Strenge, Methodik und Klarheit. Ich gebe internationalen Forschungsteams konstruktives, detailliertes Feedback zu Umweltverträglichkeit und Agroökologie.

• UX-Forschung, Konzeption und Informationsarchitektur für verschiedene Projekte

• Durchführung wirkungsvoller qualitativer Forschung in wichtigen internationalen Märkten (Deutschland, Großbritannien, USA) zur Unterstützung strategischer Entscheidungen in zentralen Bereichen wie Verkäufererlebnis, Versand und Finanzdienstleistungen
• Durchführung eigenständiger Interviews mit Nutzern von B2C- und C2C-Plattformen sowie Übersetzung komplexer Nutzerbedürfnisse und Verhaltensweisen in umsetzbare Erkenntnisse für Produktstrategie und Umsetzung

• Entwicklung einer automatisierten Pipeline zur Modellevaluierung, die LLMs ermöglicht, sich gegenseitig auf Ausrichtungsprobleme zu prüfen
• Implementierung eines RAG-Systems mit iterativer Gegenprüfung für zuverlässige Ergebnisse
• Automatisierung der Erstellung schriftlicher Zusammenfassungen und Hypothesen zur Unterstützung schneller Iteration und Hypothesenprüfung

• Erforschung multimodaler KI-Systeme, die Bild-, Text- und strukturierte Daten integrieren.
• Entwicklung durchgängiger KI-Pipelines für Datenverarbeitung, Modelltraining und Evaluierung.
• Entwicklung und Test von Computer-Vision- und Bilderkennungslösungen mit Deep Learning.

• Python-basierte Skripte entwickelt, um Token-Angebot, Emissionen und On-Chain-Metriken zu analysieren.
• Blockchain-APIs integriert, um Protokolldaten zu extrahieren und zu visualisieren.

• Entwickelte ein Bewertungsframework für KI-generierte Multiview-Fahrvideos, das für Wahrnehmungs- und Embodied-AI/VLA-bezogene Trainingsworkflows gedacht ist.
• Entwarf automatisierte Prüfungen für zeitliche Kohärenz, Kamerakonsistenz, semantische Korrektheit und geometrische Multiview-Qualität und deckte dabei Ausfallmodi auf, die für autonome Systeme relevant sind.
• Kombinierte klassische Computer Vision, gelernte visuelle Repräsentationen und Vision-Language-Modelle, um komplexe Videoartefakte in messbare technische Signale zu überführen.
• Aufbau wiederholbarer Benchmarking- und Fehleranalyse-Workflows zur Unterstützung von Modellvergleichen, Datenqualitätsentscheidungen und Systemverbesserungs-Diskussionen.

• Leitung der Mixed-Methods-Discovery für die adidas Running App mit Interviews, Umfragen (inkl. Choice-Modelling) und KI-gestützter Markt- und App-Review-Analyse, um Nutzerbedürfnisse und Engagement-Potenziale zu identifizieren.
• Enge Zusammenarbeit mit Produkt-, Content-Storytelling-, CRM- und Analytics-Teams, um Erkenntnisse in Produktstrategie, Segmentierungschancen und schnelle Experimente zu überführen.
• Zusammenführung umfangreicher interner und externer Forschung, um Bekanntes zu kartieren, kritische Wissenslücken aufzudecken und eine evidenzbasierte Forschungsroadmap zu entwickeln, die kontinuierliche Entdeckung und Optimierung unterstützt.
• Vorantreiben KI-gestützter Forschungspraxis durch Begleitung funktionsübergreifender Teams beim Einsatz von KI für schnellere Synthese von Nutzerfeedback, Marktintelligenz und zügige Arbeitsabläufe.