Artificial Neural Network Experten

• 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

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

• MVP-fokussierte Full-Stack-Architektur für einen Kunden im Gesundheitswesen bereitgestellt: Vite/React-Frontend, Backend-Services auf Google Cloud Run und Supabase für Datenbank sowie IAM/Authentifizierung.
• Produktanforderungsanalyse unterstützt und eine kostenoptimierte Workload-Platzierung priorisiert, indem Browser-/Edge-Berechnungen umgesetzt wurden, wo möglich, bevor Logik in die Backend-Services verschoben wurde.

• Enterprise-Retrieval-Augmented-Generation-(RAG)-Anwendungen mit LangChain, LangGraph, Vektordatenbanken, Embeddings und Open-Source-LLMs entworfen und bereitgestellt, die über vLLM auf GCP-GPU-Infrastruktur betrieben wurden.
• Agentic-AI-Workflows mit LangGraph entwickelt, inklusive Planung, Schlussfolgern, Tool-Ausführung, persistenter Speicherung, Sitzungsverwaltung und Human-in-the-Loop-Freigabemechanismen.
• LLM-gestützte Automatisierungssysteme entwickelt, die BigQuery, SQL-Pipelines und externe Werbe-APIs wie Meta, TikTok, Amazon, Snapchat, Google und Pinterest integrieren und manuelle operative Abläufe reduzieren.
• Multi-Agent-AI-Systeme für Enterprise-Analytics- und Entscheidungsunterstützungs-Workflows entworfen, die autonome Aufgabenausführung und intelligente Dateninteraktionen ermöglichen.
• Retrieval-Optimierungsstrategien umgesetzt, darunter Multi-Retriever-Architekturen, semantische Suche, Kontextoptimierung und Query-Verbesserungstechniken, wodurch die Relevanz der Antworten um etwa 40 % verbessert wurde.
• Strukturierte Prompting-Strategien, Function-Calling-Schemata und Validierungs-Workflows entwickelt, um die Zuverlässigkeit von mehrstufigen LLM-Anwendungen zu verbessern.
• Skalierbare AI-Services mit Python, FastAPI, Cloud Run, Pub/Sub, BigQuery, Docker und cloud-nativen Bereitstellungsarchitekturen entworfen.

• 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

• 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

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

• Aufnahme der Kundenanforderungen
• Planung des Teilprojekts
• Konzeption und Definition von KPIs
• Konzeption und Entwicklung von Modellen und Visualisierungen der Ergebnisse mittels Kundendashboards
• Erarbeitung 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

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

End-to-End-Verantwortung für alle Produkte – Konzeption, Architektur, Entwicklung und Produktivbetrieb als alleiniger Entwickler; daneben Kundengespräche, Angebote und Marketing.

Underwriting Copilot – KI-Assistent für die Industrieversicherung (produktiv im Kundeneinsatz)

• Unterstützt Underwriter bei der Analyse industrieller Versicherungs-Submissions – im Produktivbetrieb bei einem Industrieversicherer.
• Framework-unabhängige RAG-Architektur mit Hybrid Search (BM25 + pgvector) über große, heterogene Dokumentbestände.
• Zweistufige Evaluations- und Observability-Pipeline (Code-Assertions + LLM-as-Judge), die Antwortqualität, Retrieval-Genauigkeit und Citation-Integrität regressionssicher messbar macht.

Kaiki Menu Analyzer – Data-Intelligence-Plattform (produktiv im Kundeneinsatz)

• Erfasst und analysiert automatisiert Speisedaten aus rund 25.000 deutschen Restaurants.
• Skalierbare 7-Container-Architektur (FastAPI, partitioniertes PostgreSQL, Redis/RQ) mit LLM-gestützter Extraktion strukturierter Daten aus PDF, HTML und Bildern.
• Vollständige CI/CD-Pipelines (GitHub Actions), produktives Cloud-Deployment, interaktive Dashboards (Dash).

Kaiki GEO Atlas – GEO-Plattform (produktiv im Kundeneinsatz)

• Misst die Marken-Sichtbarkeit über fünf KI-Engines (ChatGPT, Gemini, Perplexity, Grok, Claude), jede web-search-augmentiert, orchestriert als DAG-Workflow-Pipeline (Dispatcher → Sub-Workflows → Scoring → Report) mit Fail-Isolation.
• 6-Container-Deployment (FastAPI, Celery, Redis, PostgreSQL); LLM-Kostenschätzung, PDF-Audit-Report, regelbasierte Cross-Signal-Insights (kein zusätzlicher LLM-Aufwand).

Data Pipeline & Analytics Platform – Wettbewerbsanalyse im Automotive-Aftermarket

• Automatisierte Daten-Pipeline mit Gap-Analyse-Algorithmen und rollenbasierter Zugriffskontrolle; 230+ Tests.
• Backend mit FastAPI, PostgreSQL, SQLAlchemy.

Produktentwicklung (in aktiver Entwicklung)

BankingGPT – KI-Assistent für das Beschwerdemanagement im Genossenschaftsbanking

• Sicherheitsarchitektur im Kern: kein KI-Entwurf erreicht den Kunden ohne menschliche Freigabe – die Freigabe-Entscheidung liegt in auditierbarem Code, nicht im Sprachmodell (monoton: das Modell darf hochstufen, nie senken).
• Echte agentische Bausteine, jeder mit eigener Grenze: das Modell wählt selbst Werkzeuge über einen MCP-Server (nur-lesend, Allowlist, gedeckelt, fail-safe); heikle Fälle gehen per offenem A2A-Protokoll (JSON-RPC, Agent Card, message/send/tasks/get; Client selbst implementiert) an einen eigenständigen Fach-Agenten (Wertpapier/Recht), der die Prüfpflicht nie senkt (per Test gepinnt).
• Evaluations-getrieben über zehn Analyse-Runden; deckte per unabhängigem Review und Blind-Tests einen Sicherheitsdefekt auf, den neun automatisierte Läufe übersehen hatten.
• Voice-AI-Frontend, live antwortend: gedeckte Fälle werden im Gespräch beantwortet, heikle eskalieren vor der Generierung; Antwortlatenz < 7 s gemessen (lokale GPU-STT/TTS).

Stack & Produktionsnähe: Python, pydantic-ai, FastAPI/Celery, PostgreSQL/pgvector, FastMCP, fasta2a, Docker; mehrmandantenfähig (physische Vektor-Isolation je Mandant), PII verschlüsselt, OWASP-LLM-reviewt, 275 Tests, CI/CD; anbieter-portabel (Ollama / EU-Cloud-Vertex).

After-Sales Assistant – agentischer RAG-/GraphRAG-Assistent auf öffentlichen OEM-Handbüchern (Automotive After-Sales)

• Genuin agentisch auf LangGraph: ReAct-Agent mit vier Werkzeugen und Gesprächsge-dächtnis – das Modell entscheidet selbst, ob es das Handbuch (RAG, Chroma), einen Wissensgraphen (GraphRAG, Neo4j/Cypher – Warnleuchten dekodieren) oder einen Werkstatt-/Buchungsdienst anspricht.
• Human-in-the-Loop vor der irreversiblen Aktion: vor jeder Terminbuchung pausiert der Graph (interrupt) und holt die ausdrückliche Bestätigung des Fahrers – dieselbe Freigabe-vor-Aktion-Disziplin wie in BankingGPT, in einem anderen Framework.
• Eval als CI-Gate: dreiteiliges Scorecard (RAGAS-Grounding + deterministische Tool-Routing-Genauigkeit + DeepEval-Safety: führt die Antwort bei kritischer Warnung zuerst die Warnung an?) blockt die Pipeline; provider-agnostisch (OpenAI/Azure/Anthropic), FastAPI mit Token-Streaming.

Stack: Python, LangChain/LangGraph, Chroma, Neo4j, RAGAS/DeepEval, FastAPI, Docker.

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

Ich helfe Führungsteams dabei, das Potenzial von KI schnell und pragmatisch in messbare Geschäftsergebnisse zu verwandeln – mit dem Menschen im Mittelpunkt.

Als Mitgründer von Infinite Mind arbeite ich mit CEOs und Innovationsverantwortlichen daran, wirkungsvolle KI-Möglichkeiten zu identifizieren, umsetzbare Lösungen zu entwickeln und ihre Einführung im gesamten Unternehmen zu unterstützen. Unser Fokus: Produktivitätssteigerungen, intelligentere Arbeitsabläufe und skalierbarer Mehrwert.

In den vergangenen zehn Jahren habe ich an der Schnittstelle von digitaler Transformation, Daten und maschinellem Lernen gearbeitet und Unternehmen aus den Bereichen Software, Hightech, Medien und Versicherungen beraten. Ich habe groß angelegte Initiativen geleitet, darunter die unternehmensweite Einführung generativer KI, und kenne die strategischen und menschlichen Herausforderungen, die mit Veränderungen in großem Maßstab verbunden sind.

Ich verbinde einen technischen Hintergrund im Bereich maschinelles Lernen (M.Sc. Elektrotechnik und Informationstechnik, TUM) mit einer breiteren Perspektive, die durch Abschlüsse in Physik und Philosophie (LMU München) geprägt ist. Neben meiner Beratungstätigkeit habe ich eine technologiegestützte gemeinnützige Organisation mitgegründet und Gründer in der Frühphase als Business Coach unterstützt.

Wenn Sie über den KI-Hype hinausgehen und KI in Ihrem Unternehmen wirklich nutzbar machen möchten – lassen Sie uns sprechen.