Artificial Neural Network Experten

Entwicklung von KI- und klassischen Modellen zur Analyse von Medizin- und Patientendaten, u. a. Medikationsanalysen, Diagnoseanalysen, Prognosen, Prozeduranalysen, Dosierungsanalysen, Komorbiditätsanalysen, Verordnungsanalysen, Patientenpotenzialanalysen, Überweisungsprofilanalysen und Verordnungsanalysen. Analysen im Bereich Real World Evidence.

Medizin-IT, Pharmaindustrie

Aufgaben, Verantwortlichkeiten:

• Aufnahme der Kundenanforderungen
• Planung des Teilprojekts
• Konzeption und Definition von KPI's
• Konzeption und Entwicklung von Modellen und Visualisierungen der Ergebnisse mittels Kunden-Dashboards
• Erarbeiten und Umsetzung von DWH-Anpassungen
• Ableitung von Handlungsempfehlungen

Methoden, Technologien:

• Simulation
• Künstliche Intelligenz
• Python
• R
• SQL
• Microsoft Power BI
• Amazon Web Services
• Elasticsearch
• PostgreSQL
• Databricks
• Multivariate Statistik

• Claude-Code-Subagenten, MCP, Pydantic V2, pytest, bandit

• 3 spezialisierte Agenten entwickelt und produktiv eingesetzt, die die Arbeit entlang einer Kette weitergeben: Ein Forschungsagent erstellt eine zitierte Implementierungsspezifikation, ein Coding-Agent entwickelt den modularen Code und seine Tests, und ein Review-Agent bewertet die Ergebnisse nach Schweregrad und setzt die Korrekturen um. Jede Übergabe erfolgt als strukturiertes Dokument, sodass keine Phase vom Kontextfenster eines anderen Agenten abhängt.

• Den Forschungsagenten mit einem MCP-Server für akademische Recherche verbunden (Semantic Scholar, ArXiv, Hugging Face Hub, Zitationsverfolgung), sodass jede Referenz auf ein Tool-Ergebnis und nicht auf das Modell zurückgeht. Commits hinter ruff, mypy, pytest und bandit abgesichert, menschliche Freigabe vor Installationen und Commits verlangt und den Sitzungsstatus auf der Festplatte gespeichert, damit lange Läufe einen Kontext-Reset überstehen.

Geschäftsführer | Omnia Kassel UG

Unternehmensführung, internationale Geschäftsentwicklung, Technologie- und Innovationsmanagement

• Unternehmensführung und internationale Geschäftsentwicklung: Strategische und operative Leitung eines technologieorientierten Beratungsunternehmens. Internationale B2B-Geschäftsanbahnung, Entwicklung neuer Geschäftsfelder sowie Aufbau und Pflege von Industrie-, Technologie- und Beschaffungspartnerschaften.

• Technologie- und Innovationsmanagement: Identifikation und Bewertung neuer Technologien hinsichtlich technischer Machbarkeit, wirtschaftlichen Potenzials und praktischer Einsatzmöglichkeiten. Entwicklung innovativer Geschäftsmodelle, Technologietransfer und Begleitung anspruchsvoller Innovationsvorhaben.

• Entwicklungs- und Projektmanagement: Konzeption, Planung und Steuerung technischer Entwicklungs-, Beschaffungs- und Kundenprojekte. Technische Spezifikationen, internationale Lieferantenauswahl, Koordination externer Entwicklungspartner sowie Bewertung und Umsetzung kundenspezifischer Lösungen.

• KI-Forschung, Systementwicklung und Technologieevaluation: Frühzeitige Erkenntnis des grundlegenden technologischen Umbruchs durch generative KI. Seit rund vier Jahren eigeninitiierte, nahezu tägliche intensive Forschungs-, Entwicklungs- und Erprobungsarbeit mit führenden Sprachmodellen, multimodalen KI-Systemen und unterschiedlichen Modellgenerationen. Eigenständige Konzeption und Erprobung von rund 200 komplexen KI-Arbeitsabläufen, Multiagentenverfahren sowie Buch-, Angebots- und Bewertungsrobotern.

• KI-gestützte Kundenprojekte und multimodale Produktion: Praktische Umsetzung eigener und vertraulicher Kundenaufträge in technischer Konzeption, Projektentwicklung, Angebotsbearbeitung, Fachtexten und umfangreichen Dokumentationen. Entwicklung und Produktion von Texten, Bildern, Animationen, Videos, Sprach- und Avataranwendungen. Insgesamt rund 750 produktive Arbeitsergebnisse aus unterschiedlichen KI-gestützten Projekten.

• KI-Qualitätssicherung, Prozessentwicklung und Effizienzsteigerung: Entwicklung mehrstufiger, modellübergreifender Prüf- und Korrekturverfahren mit Quellenabgleich, unabhängiger Gegenprüfung und systematischer Fehleranalyse. In eigenen, aufgabenbezogenen Vergleichsmessungen Reduzierung ausgewählter Bearbeitungszeiten von acht auf eine Stunde sowie Verbesserung der gemessenen Fehlerfreiheit von etwa 95 % auf bis zu 99 %. Übertragung der Erkenntnisse in produktive Arbeitsverfahren und wirtschaftlich nutzbare Kundenlösungen.

Projektbezogene Tätigkeit und Verfügbarkeit: Die unternehmerischen Aktivitäten sind projektorientiert organisiert und nicht mit einer dauerhaften operativen Vollzeitauslastung verbunden. Daher besteht umfangreiche zeitliche Kapazität für externe Beratungs-, Entwicklungs- und Führungsmandate, auch mit hoher Projektauslastung.

• In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.

Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP

• Einrichtung neuer Desktop-Rechner
• Setup eines VPS für Automatisierung, Datenbanken und Chatinterface
• Anbindung an Azure AI Foundry
• Entwicklung diverser n8n Workflows für E-Mail-, Social-Media- und Dokumentenmanagement
• Implementierung eines QM-Systems (Backups, Error Handling, HITL)
• Einrichtung und Optimierung eines Inbound Voice Agents

• Globale IT-Teams bei der Implementierung cloudbasierter, KI-gestützter Lösungen geleitet und diese durch umfassende Datenmigrationsstrategien an den Kundenanforderungen ausgerichtet
• Cloud-Migrationsinitiativen von Altsystemen auf skalierbare Cloud-Plattformen geleitet und die Datenverarbeitung durch API-gesteuerte Prozesse optimiert, um Analysen und Berichte in Echtzeit zu ermöglichen
• Die Genauigkeit der Berichte und die Kundenzufriedenheit mithilfe von maschinellem Lernen und neuronalen Netzen verbessert und eine Klassifizierungsgenauigkeit von 97 % erreicht
• Projekte mit Augmented Reality (AR) vorangetrieben, um das Nutzererlebnis zu optimieren und Kundenziele zu erreichen

• Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
• Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
• Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
• Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
• Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
• Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
• Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
• Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
• Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.

Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest

Statistischer Prognosealgorithmus

• Verbesserung eines statistischen probabilistischen Prognosealgorithmus für Umsätze + Evaluierung
• Migration von R/On-Premise zu Python/Snowflake
• Überführung in den Produktivbetrieb auf Snowflake in Zusammenarbeit mit Data Engineers & DevOps

Monitoring-Dashboard

• Data Engineering zur Aufbereitung & Bereitstellung notwendiger Daten/Ressourcen auf Snowflake
• Entwicklung & Bereitstellung eines Streamlit-Dashboards in Snowflake

ML-basierte probabilistische Prognosen auf Vertex AI

• Entwicklung eines ML-basierten probabilistischen Prognosealgorithmus von Grund auf
• Implementierung einer MLOps-Pipeline in Kubeflow auf Google Cloud Vertex AI

Tech Stack: Python, Snowflake/Snowpark, R, Streamlit, Gitlab/Gitlab CICD, Terraform, Google Cloud, Vertex AI (aiplatform SDK, gcloud CLI, Feature Store, Model Registry usw.), kubeflow

• Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
• Implementierung automatisierter End-to-End-Cloud-Prozesse
• Entwicklung von LLM- und NLP-Modellen
• Erstellung interaktiver Reports
• Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten

• Entwickelte eine auf ein MVP ausgerichtete Full-Stack-Architektur für einen Kunden aus dem Gesundheitssektor: Vite/React-Frontend, Backend-Dienste auf Google Cloud Run und Supabase für Datenbank sowie IAM/Authentifizierung.
• Unterstützte das Produktanforderungsmanagement und priorisierte eine kostenbewusste Platzierung von Workloads. Wo möglich, wurde die Berechnung im Browser oder am Edge umgesetzt, bevor Logik in Backend-Dienste verlagert wurde.

• Es handelt sich um ein Startup innerhalb von REWE, in dem wir ein neues Prognosesystem auf der Google Cloud Platform von Grund auf aufbauen müssen. Obwohl meine offizielle Rolle MLOps heißt, umfassen meine tatsächlichen Aufgaben auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und Aufgaben eines Data Scientists wie Feature Engineering und Modelltraining.
• GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
• Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT zur Implementierung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline entwickelt, die die Bereitstellung neuer Releases bis in die Produktionsumgebung automatisiert.
• Entwicklung eines Feature Stores und Datensynchronisierung zwischen Umgebungen
• Data Science: Bewertung verschiedener Prognosemodelle, darunter CatBoost, Contextual Gamma und Random Forest; Implementierung von Trainingspipelines mit Kubeflow auf Vertex AI; Skalierung und Entwicklung einer ereignisgesteuerten Schnittstelle mit Kafka als Prognoseservice; Bewertung von MLFlow für Modellverfolgung und Modellregister
• Implementierung einer REST-API mit KeyCloak OAuth2 und OpenID (JWT)
• Monitoring: Implementierung von Dashboards mit Grafana, Prometheus, Mimir, Streamlit und Loki zur Überwachung von Prognosemetriken, GCP- und Snowflake-Kosten für Pipelines sowie Systemmetriken
• Entwicklung von Copilot Agent Skills

• KI-gestützte Analysen & Reporting: Leitung eines 2-köpfigen BI-Teams und Einsatz prädiktiver Analysen und Automatisierung, um komplexe Geschäftsanforderungen in zukunftsorientierte Erkenntnisse, Empfehlungen und Finanzberichte zu übersetzen.
• Fortgeschrittene Datenvisualisierung: Entwicklung und Pflege von über 25 wirkungsvollen Power BI/Tableau-Dashboards zur unternehmensweiten Überwachung von KPIs und Trends, strukturiert für prädiktives und automatisiertes Reporting.
• Web Analytics & Erkenntnisse: Verantwortung für GA4-Tracking und -Analysen, wodurch durch eine tiefere Analyse der Customer Journey 15% mehr Conversion-Erkenntnisse gewonnen wurden.
• Optimierung von Datenpipelines: Zusammenarbeit mit Data Engineers bei der Neugestaltung und Automatisierung von Datenpipeline-Workflows, wodurch der manuelle Reporting-Aufwand um 20% gesenkt und gleichzeitig Datenqualität und Systemverfügbarkeit gewährleistet wurden.

• Entwicklung eines CNN-basierten Fußgängererkennungssystems mit LiDAR-Daten
• Erstellung von Python-Skripten für Begrenzungsrahmen, Datensatzbeschriftung und Datenkonvertierung
• Bewertung der Modellleistung anhand von Datensätzen mit Punktwolken

• Strategieberatung, technisches Consulting, Interim Management und Training
• Managementberatung und Ausarbeitung von Applikationslösungen durch interdisziplinäre Lösungsansätze
• Mitarbeiter- und Teamentwicklung sowie Innovations- und Kommunikationsmanagement