Clustering-Experten in München

• Spezifikation von Business Intelligence und KPIs sowie Erstellung eines Playbooks für 35 europäische Unternehmen.

• Leitende Architektur in einem interdisziplinären Architekturteam mit Enterprise-, Solution-, NOOTS-, Cloud- und Security-Architecture sowie regulatorischen und europäischen Interoperabilitätsanforderungen.

• Öffentlicher Sektor / Government

• Entwicklung und Steuerung von Zielarchitekturen, Prinzipien, Standards und technischen Leitplanken; Bewertung von Security-by-Design, IAM, Datenschutz und Schnittstellen-/Integrationsarchitekturen; Architecture Reviews, Security Assessments, Risikoanalysen und Erstellung von Decision Records, Zielbildern, Roadmaps und Entscheidungsvorlagen. Architekturkenntnisse und Berücksichtigung relevanter AD-NOOTS-Vorgaben, insbesondere für IAM, Authorization, sichere Integration und Interoperabilität.

• Technologien / Methoden: Enterprise Architecture, Solution Architecture, Security Architecture, Cloud Architecture, NOOTS / EU-OOTS, IAM, Authorization, Security-by-Design, API-/Integrationsarchitektur, Interoperabilität, Risikoanalyse, Architecture Governance

• Sicherheits- und Integrationsanforderungen sowie technische Entscheidungen werden in belastbaren Architektur- und Entscheidungsartefakten strukturiert aufbereitet.

• Architektur, Konzeption und Entwicklung einer MVP-Anwendung eines Anbieters für spezialisierte Reiseerlebnisse
• Technologien: Python, FastAPI, Firestore, Firebase, Docker

• Modelle für Chatbots, NLP und LLMs (z. B. Llama, Qwen, OpenAI) erforschen und entwickeln
• Chatbots mit RAG und In-Context Learning verbessern
• Supervised Fine-Tuning (PEFT, LoRA), Huggingface oder Unsloth
• Fortgeschrittene Trainingsmethoden: Test-Time Training, (transduktives) Active Learning, Reinforcement Learning
• Serving mit hohem Durchsatz mit vLLM
• Embedding-Modelle anwenden (z. B. SentenceTransformers), Similarity-/Vektorsuche oder Vektor-DB oder Ranking (z. B. LlamaIndex, Faiss, LangChain)
• Synthetische Daten erzeugen und filtern, Clustering
• Halluzinationen erkennen
• Chatbot-Modelle bewerten (Rouge, BLEU, F1-Score, Recall, Precision)
• Visualisierung von Experimenten (matplotlib)

• Entwickelte und implementierte eine vollständige Machine-Learning-Pipeline zur Kundenabwanderungsprognose auf Basis des Telco-Datensatzes.
• Wandte Vorverarbeitungstechniken an, darunter Behandlung fehlender Werte, kategoriale Kodierung, Feature Scaling und PCA.
• Baute und verglich über 15 Modelle (Logistic Regression, Random Forest, XGBoost usw.) und bewertete sie anhand von Accuracy, Precision, Recall, F1-Score, ROC-AUC und PR-AUC.
• Stimmte Hyperparameter mit GridSearchCV ab und erreichte 80,6 % Accuracy mit Random Forest und XGBoost.
• Erstellte visuelle Berichte (Balkendiagramme, Heatmaps, Radardiagramme), um die Modellleistung und die Abwanderungstreiber zu interpretieren.
• Exportierte wiederverwendbare Pipelines und trainierte Modelle mit joblib für die Bereitstellung.

• Entwickelte KI-gestützte Geschäfts- und Marketingstrategien für globale Kunden in verschiedenen Branchen.
• Unterstützte kleine Unternehmen und Gründer bei der Erstellung von Social-Media-Inhalten, Webdesign, UX/UI-Optimierungen und digitalen Marketingstrategien.
• Automatisierte Analyse-Workflows und entwickelte Dashboards zur Überwachung von Kampagnenleistung und Engagement-Kennzahlen.
• Half Kunden, ihre digitale Präsenz zu verbessern, indem kreatives Storytelling mit messbaren Insights kombiniert wurde.
• Beriet zur Integration von KI in Marketingprozesse, um Produktivität und kreative Effizienz zu steigern.

• Lead-Architekt für die Gestaltung und Umsetzung des Data Lake und der ETL-Pipeline mit dem AWS-Stack
• Leistungsoptimierung der Datenaufnahme der ETL-Pipeline
• Entwicklung der Datenvalidierung mit Great Expectations
• Leitung der Datenmigration für zwei Quellsysteme
• Datenmodellierung in AWS Redshift

MLOps

• Implementierung der Modell-Inferenz mit mlflow und AWS SageMaker
• Feature Engineering für die laufenden ML-Modelle (Recommender Engineer, Clustering)
• Implementierung von Model Registry und Artifactory mit mlflow
• Historisierung und Profiling der Eingabedaten mit AWS Glue Crawler und AWS Data Catalog
• Feature Importance mit mlflow

Tech. Stack: Python 3, AWS Glue, AWS Step Function, AWS Lambda, AWS EventBridge, AWS IAM Role, AWS SageMaker, AWS EC2, AWS Glue Crawler, AWS CloudWatch, MLFlow, ETL, Data Lake, GitHub Action, Terraform, Jenkins, Ansible Playbooks (Infrastructure as Code), CI/CD, GitLab, SQL, PySpark, Scrum, Agile, Jira, Big Data, VSCode, DBeaver, MSSQL, MySQL, Grafana, Docker, Linux, Bash, MapReduce, Datenmodellierung (ORM), Pandas, YAML, SQL-Alchemy

• Aufbau des Unternehmens mit Fokus auf Connectivity für IIoT und Industrie 4.0, iRPA/Prozessautomatisierung, Advanced Robotics und Smart Systems, Sensors and Services
• Projektleitung und Software-Architektur für IoT-Gateway-Entwicklung (seit 2020) mit Protokollübersetzung, IT/OT-Konvergenz und GRC
• Entwicklung von RPA-Bots zur Automatisierung und Überwachung industrieller Prozesse mit agentischem AI-Ansatz (seit 2020)
• Implementierung von Unsupervised Clustering und Anomalieanalyse für Zeitreihendaten in BigData-Streaming-Pipelines (seit 2021)
• Einführung eines Docker-basierten Release-Trains für OTA-Updates mit DevSecOps und CI/CD (seit 2018)

• Gemeinsam mit einem Teammitglied einen Meta-Learning-Ansatz entwickelt, um mehrere neuronale Felder mithilfe eines Hypernetzwerks zu einer einzigen Szenendarstellung zusammenzuführen.
• Die Methode auf 2D-Daten (MNIST) und 3D-Daten (ShapeNet) implementiert und evaluiert und dabei eine schnellere Inferenz im Vergleich zu auf Overfitting basierenden Baselines gezeigt.