Amazon SageMaker Experten in Berlin

Auf Evidenz basierende Health-Intelligence-Plattform, die veröffentlichte Forschung in persönliche Gesundheitsprotokolle übersetzt. Sie bewertet 430 Gewohnheiten, Lebensmittel und Supplements anhand der Studien dahinter und passt den Score an, wenn sich die Evidenz ändert. Allein aufgebaut.

• Die tägliche Ingest-Pipeline über PubMed, bioRxiv und medRxiv aufgebaut: 43.000+ Papers aus 3.400+ Journals verarbeitet zu 230.000+ typisierten Evidenz-Claims, jeder einzelne zurückverfolgbar bis zur Studie, aus der er stammt.
• Das sechs Faktoren umfassende Evidenz-Scoring-Modell und das öffentliche Changelog dahinter entworfen, damit keine Empfehlung ohne die zugrunde liegenden Papers erscheint. Bis heute 23.000+ Score-Änderungen erfasst und erklärt.
• Das Entity-Informationsmodell aufgebaut, das jede Intervention mit ihren Mechanismen, Biomarkern und Outcomes verbindet: 118 Biomarker mit regionsspezifischen Referenzbereichen, 77 Mechanismen, 32 bewertete Outcomes.
• Die Personalisierungsschicht gebaut: Ingestion von Blutwerten, die Labor-PDFs mit einem Vision-Modell ausliest und Ergebnisse anhand der Aufwachzeit des Nutzers korrigiert, plus Integration von Oura, WHOOP und Withings für den täglichen Readiness-Kontext.
• Elf spezialisierte Review-Agents über Korpus und Codebase betrieben, für Paper-Kuration, Retrieval-Qualität, Health-Claim-Compliance über EU- und US-Regime hinweg sowie Security.
• Den Evidence Assistant ausgeliefert, einen RAG-Assistenten, der aus der Claim-Datenbank antwortet und die zugrunde liegenden Papers zitiert, plus eine B2B-Practitioner-Stufe, eine Expo React Native App und Lokalisierung in 3 Sprachen und 7 Märkten.

Stack: Next.js 16, TypeScript, Supabase, pgvector, Anthropic Claude, Vercel, DeepInfra.

• Architektur und Bereitstellung einer privaten Cloud-Datenplattform auf VMware vSphere mit Integration von Greenplum MPP, Apache Kafka, Kubernetes und Apache Solr sowie Entwicklung von Echtzeit-Ingestion-Pipelines mit Kafka Connect und Schema Registry.
• Leitung der Migration von Oracle Exadata zu Greenplum, Neugestaltung von Datenmodellen, Optimierung der Speicherung, Implementierung von RabbitMQ mit Debezium für CDC und Bereitstellung einer VectorDB für Generative AI.
• Entwicklung und Durchführung eines Multi-Cloud-Migrations-PoC über AWS, Azure und GCP, Definition von KPIs für Durchsatz, Latenz und Kosteneffizienz, Durchführung umfangreicher Datentransfers, Validierung von Analyse- und Streaming-Workloads sowie Erstellung umfassender Architektur-Empfehlungen.
• Bewertung bestehender On-Premises-Infrastrukturen und Entwicklung moderner cloudnativer Datenplattformen mit Greenplum und containerisierten Microservices sowie Beratung zu Skalierbarkeit, Disaster Recovery und Hochverfügbarkeit.

• Tätigkeit als technischer Berater zur Optimierung mehrschichtiger Ensemble-Modelle, die ResNet, CNN-BiGRU-Attention und XGBoost kombinieren.
• Begleitung der Implementierung eines Logistic-Regression-Meta-Learners zur Lösung von Problemen mit unausgeglichenen Klassen; dabei wurden 92.86% Genauigkeit und 0.9644 AUC bei den Datensätzen PTB-XL und Chapman-Shaoxing erreicht.

• 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

• Leitung eines Teams von 15 Annotatoren bei groß angelegten Computer-Vision-Projekten für autonome Fahrzeugsysteme
• Entwicklung umfassender Annotationsrichtlinien, wodurch die Übereinstimmung zwischen Annotatoren um 35 Prozent verbessert wurde
• Einführung von Qualitätskontrollprozessen, die die Fehlerquote in allen Projekten um 42 % senkten
• Zusammenarbeit mit ML-Ingenieuren zur Identifizierung von Sonderfällen und Verbesserung der Datenqualität
• Verwaltung von Annotationsprojekten für Fortune-500-Kunden mit 100 % termingerechter Lieferung

• Entwicklung von Krypto-Quant-Strategien, automatisierte Handelsausführung, Onchain-Daten-Client (Ethereum / Solana)
• Entwicklung von Daten- und Handelsarchitekturen für die Bereitstellung von Liquidität

• 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

• 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

• 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.