Amazon SageMaker Experten in Berlin

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Fractional Leadership; Beratung von Startups und Scale-ups in der Wachstumsphase zu Datenstrategie, ML-Produkten und Plattform-Grundlagen
• Aufbau von Entscheidungssystemen für Growth, Personalisierung und Produktexperimente in E-Commerce, Digital Health, Energie und Logistik
• Erforschung von Agentic AI und LLM-basierten Tools für produktionsreife Muster

• Entwickelte und implementierte ein hybrides Empfehlungssystem (Content-Based + Collaborative Filtering)
• Baute End-to-End-ML-Pipelines inklusive Datenverarbeitung, Feature Engineering, Modelltraining und Bewertung
• Entwickelte RAG-basierte LLM-Systeme mit LangChain und Vektordatenbanken für semantische Suche und Wissensabruf
• Etablierte MLOps-Workflows mit MLflow für Experiment-Tracking, Versionierung und Deployment-Bereitschaft
• Implementierte Deep-Learning-Modelle (Computer Vision & Klassifikation) mit PyTorch und TensorFlow

• Agierte als technischer Berater zur Optimierung von mehrschichtigen Ensemble-Modellen, die ResNet, CNN-BiGRU-Attention und XGBoost kombinierten.
• Begleitete die Umsetzung eines Logistic-Regression-Meta-Lerners zur Lösung von Klassenungleichgewichten und erreichte 92,86 % Genauigkeit und einen AUC-Wert von 0,9644 auf den Datensätzen PTB-XL und Chapman-Shaoxing.

• Entwicklung von Krypto-Quant-Strategien, automatisierte Handelsausführung, On-Chain-Daten-Client (Ethereum / Solana)
• Entwicklung von Daten- und Handelsarchitektur für Liquiditätsbereitstellung

• Bestandsaufnahme der bestehenden Reporting-Landschaft und strategische Bündelung des Bedarfs
• Migration und Konsolidierung von Reports auf Metabase, Anbindung an ClickHouse als Datengrundlage
• Aufbau und Pflege von Datenpipelines

Stack: Metabase · ClickHouse · Appsmith · Airflow

• Optimierung der Datenarchitektur (Medallion) für eine bessere Entkopplung der Verarbeitungsschritte sowie höhere Transparenz und Reproduzierbarkeit
• Technische Qualitätssicherung der Datenverarbeitung in Databricks durch Einführung von Schema Enforcement, Datenqualitätschecks und strukturierter Datenarchitektur
• Pipeline-Orchestrierung mit Azure Data Factory
• Professionalisierung und Automatisierung des Entwicklungs- und Deploymentprozesses durch Integration von Git und GitHub Actions
• Fachliche Führung des Data Engineering Teams (3 Mitarbeitende)
• Leitung von Workshops zur Optimierung und Stabilisierung der Datenplattform und des Entwicklungsprozesses
• Aufnahme und Priorisierung neuer Anfragen, Pflege des Produktbacklogs
• Technologien: Microsoft Azure (Data Lake, Data Factory), Databricks, Apache Spark (PySpark), Python, SQL, Git, Confluence, Power BI, Power Apps, Dataverse, MS SharePoint, Mural

• Steigerte die Zuverlässigkeit der LLM-Ausgaben durch Erstellung domänenspezifischer Prompts und Evaluationslogik und verbesserte damit die Konsistenz der Schlussfolgerungen in Produktions-Workflows von Sprachmodellen.
• Entwickelte fortgeschrittene Coding-Benchmarks und validierte Lösungen zur Stärkung von Trainings- und Evaluierungsdatensätzen, wodurch die Modellleistung bei technischen Problemlösungsaufgaben verbessert wurde.
• Entwarf und implementierte automatisierte Evaluierungsframeworks für technische Reasoning-Aufgaben; optimierte die Zuverlässigkeit der LLM-Ausgaben um 15 % durch rigoroses Prompt-Engineering und bewertungsbasierte Benchmarking.

• Aufbau und Skalierung von Cloud-Infrastruktur auf GCP zur Unterstützung einer SaaS-Plattform für Industriekunden
• Entwurf und Implementierung einer datengetriebenen DevOps-Pipeline für optimierte Deployments und CI/CD-Workflows
• Zusammenarbeit mit dem Data-Science-Team am MLOps-Workflow zur Automatisierung des integrierten Retrainings

• Leitung der End-to-End-Einführung eines SAP Supply Chain Management (SCM / TD / SD) ERP-Programms, einschließlich Projektinitiierung, detaillierter Anforderungsanalyse, Definition des Operating Model, Systemdesign, Implementierung, Tests, Cutover und globalem Go-Live in Europa, Asien und Nordamerika. Sicherstellung, dass die ERP-Lösung zentrale Supply-Chain-, Produktions- und Planungsprozesse unterstützt, um künftiges Unternehmenswachstum zu ermöglichen.
• Durchführung funktionsübergreifender Workshops mit den Teams für Supply Chain, Beschaffung, Planung, Produktion und Logistik, um Anforderungen zu erfassen, das zukünftige Operating Model zu definieren und das End-to-End-Systemdesign abzubilden. Konsolidierung von über 150 Anforderungen in strukturierte Dokumente gemäß SAP-Standards.
• Gestaltung des Lösungsdesigns und der Einbindung von Anbietern in der frühen Discovery-Phase, Unterstützung bei der Auswahl der besten Technologiepartner und Sicherstellung, dass das Systemdesign Produktionsplanung, Bestandsverwaltung, Lagerhaltung, Logistik und Supply-Chain-Prognosen abdeckt.
• Verwaltung der D365-Konfiguration und Fehlerbehebung, Gewährleistung der Übereinstimmung mit Geschäftsprozessen und Lösung von Integrationsproblemen zwischen D365, SAP-SCM-Modulen und umgebenden Systemen.
• Unterstützung bei Anpassungen des Grain-Datenmodells zur Aufnahme von Planungsdaten in Snowflake und Footprint, um Enterprise-Reporting und Analytics-Entwicklung zu ermöglichen.
• Steuerung von Umfang, Zeitplänen, Risiken und Abhängigkeiten über internationale Teams in Europa, Asien und den USA, Pflege integrierter Projektpläne, Issue-Logs und Executive Reports, um Stakeholder-Abstimmung und Projektfortschritt voranzutreiben.
• Ermöglichung der Integration KI-gestützter Bedarfsprognosetools in Supply-Chain-Planungsprozesse, Verbesserung der Prognosegenauigkeit, Lagerumschlagshäufigkeit und operativen Entscheidungsfindung in mehreren Regionen.
• Leitung der SIT-, UAT- und Datenmigrationsphasen, einschließlich Entwurf von Testszenarien, Fehler-Triage-Management und Koordination der Testdurchführung zur Validierung von Supply-Chain- und Produktions-Workflows vor dem Rollout.
• Ausarbeitung detaillierter Cutover-Pläne, Durchführung von Business-Readiness-Aktivitäten und Hypercare-Support zur Gewährleistung eines reibungslosen und koordinierten Go-Live sowie einer vollständigen Übergabe an die Fachbereiche.

• Entwickelte YourBestChance.io, eine KI-gestützte Plattform für Karriere-Resilienz, die fortschrittliches maschinelles Lernen nutzt, um personalisierte Anleitung und Ressourcen für Nutzer bereitzustellen.
• Entwarf und implementierte ein Retrieval-Augmented-Generation-(RAG)-System zur Unterstützung von drei Sprachen, das GPT-basierte große Sprachmodelle (einschließlich OpenAI- und Grok-Varianten) mit spezialisierten Vektordatenbanken für effiziente semantische Suche und Ähnlichkeitsabgleich kombiniert.
• Entwickelte einen interaktiven KI-Chatbot, der von generativer KI und RAG-Pipelines angetrieben wird, um Echtzeit- und kontextbewusste Antworten zu liefern und das Nutzerengagement zu steigern.
• Optimierte Datenpipelines und KI-Infrastruktur für Skalierbarkeit, stellte robuste Leistung bei steigenden Lasten sicher und verringerte die Latenz um 50%.
• Entwickelte umfassende KI-Strategien unter Einsatz von ML und GenAI zur Erstellung individueller Wachstumspläne; analysierte Unternehmensdaten, um Stärken, Schwächen, Risiken und Chancen für die KI-Integration zu identifizieren.
• Definierte ethische Rahmenwerke für die KI-Einführung, ermittelte Weiterbildungsbedarfe für Mitarbeitende und Führungskräfte und erstellte gestufte Aktionspläne (kurz-, mittel- und langfristig) mit gezielten Empfehlungen zur KI-Integration.

• Unterstützung der Partnerzentren bei der Einführung von KI- und LLM-basierten prädiktiven Modellen zur Wirkstoffentdeckung und Vorhersage therapeutischer Reaktionen mithilfe ihrer Genomdatenbanken, Entwicklung von Fehlermodi für KI und Reduzierung der Feature-Engineering-Zeit um 25 %.
• Durchführung von Python-Analysen und Verbesserung der Abdeckung von Domänenbewegungen um 30 % durch Integration von Freie-Energie-Daten in die Konformationsmodellierung, Kartierung heterogener Proteinzustände für eine präzise Struktur-Funktions-Analyse.

• Leitung eines Teams von 15 Annotatoren bei groß angelegten Computer-Vision-Projekten für autonome Fahrsysteme
• Entwicklung umfassender Annotierungsrichtlinien, die die Übereinstimmung zwischen Annotatoren um 35 Prozent verbessert haben
• Einführung von Qualitätskontrollen, die die Fehlerquote um 42 % in allen Projekten gesenkt haben
• Zusammenarbeit mit ML-Ingenieuren, um Grenzfälle zu identifizieren und die Datenqualität zu verbessern
• Verwaltung von Annotierungsprojekten für Fortune-500-Kunden mit 100 % termingerechter Lieferung