Computer Vision Experten

Branchensoftware von der Tour bis zur Rechnung

Im Echtbetrieb

Im Einsatz bei: Garten- und Landschaftsbaubetrieb, zwei Pflegedienste

Der ganze Arbeitstag digital: Anmeldung, Tourenplan im Fahrzeug, Abfahrtkontrolle, Fotonachweis, Stundenerfassung, Abrechnung. Die Tablets arbeiten ohne Netz weiter und gleichen nach. Belege sind unveränderlich, damit die Zeiterfassung prüflicher bleibt. Betrieb auf eigenem Server in Deutschland mit laufender Überwachung und Updates aus der Ferne.

Beleg: Beim Garten- und Landschaftsbaubetrieb seit dem 7. September 2026 täglich mit sechs Fahrzeugen im Einsatz.

• React Native auf Android-Tablets
• Python
• SQLite
• Abgleich in beide Richtungen
• Linux-Server in Deutschland
• Fernwartung

Architektur-Checks, Legacy-Modernisierung, Systemintegration und KI-Integration in Bestandssysteme.

Verantwortlich für das B2B-Geschäft der größten E-Commerce-Plattform Polens, einschließlich der vollständigen P&L-Verantwortung und der Produktrichtung.

• Vollständige P&L-Verantwortung für die B2B Group, verantwortlich für 7bn PLN (~€1.6bn) jährlichen GMV
• Initiierte und leitete die Transformation sowie die strategische Neuausrichtung der Geschäfts- und Produktgruppe auf SME-Kunden, wodurch sich das GMV-Wachstum um 100% erhöhte (von 12% auf 24% YoY)
• Steigerte die Automatisierung von B2B-Group-Prozessen durch den Einsatz von KI auf 48%

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

• Zentrale Teile der Infrastruktur-Engine und der Cloud-Integrationen von formae in Go entwickelt und Ressourcenlebenszyklen über Cloud- und Kubernetes-Umgebungen hinweg verwaltet.
• Eine erweiterbare Plugin-Architektur und ein SDK für die Integration von Infrastruktur-Providern und -Ressourcen entwickelt und umgesetzt, einschließlich AWS, Kubernetes und Helm.
• Agentenbasierte Infrastruktur-Workflows entwickelt, die formae über MCP für Tools wie Claude Code, Codex und Cursor zugänglich machen.
• Direkt mit potenziellen Kunden an technischen Evaluierungen, Implementierungsdesigns und Migrationswegen von bestehenden Infrastruktur-Workflows zu formae gearbeitet.
• Die Weiterentwicklung von formae durch die Open-Source-, Multi-Cloud- und Cloud-Plattform-Releases unterstützt, mit Fokus auf zuverlässige Infrastruktur-Orchestrierung und eine gute Entwicklererfahrung.

Gronic Ident & Sign

Kern-Technologien: Android, Jetpack Compose, Retrofit, Regula Document Reader, Adobe Sign

Android App auf dedizierten Geräten für Identifizierungen und elektronische Signaturen am PoS

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

• Rolle: Simulation Engineer
• Umfeld: Maschinenbau / Visuelle Inspektion
• Ziele & Umsetzung: Simulation von Photometric-Stereo-Setups, um optimale Positionen von Kameras und Lichtquellen bauteilspezifisch zu ermitteln.
• Business Value: Ermöglichte eine kostengünstige und skalierbare Lösung, um bauteilspezifische Hardware-Setups zu bestimmen.
• Tech Stack: Python, Blender

Unabhängige Engineering-Praxis mit Schwerpunkt auf kundenspezifischen KI-Systemen, produktiver Umsetzung und anteiliger technischer Leitung.

Ausgewähltes Kundenprojekt: Scalutions

• Rolle: Tätigkeit als anteiliger CTO und technischer Leiter mit direkter Entwicklungsverantwortung; verantwortlich für die Architektur und die agentische Infrastruktur hinter dem betreuten B2B-Outbound-Betrieb.

• Produkt: OutboundLoop entworfen und entwickelt, ein agentisches SDR-Betriebssystem für Recherche, Qualifizierung, personalisierte Ansprache, Kampagnenmanagement, menschliche Freigaben, Messung und kontinuierliche Verbesserung.

• Umfang: Verantwortung für den gesamten Systemlebenszyklus – von Geschäftsprozessen und Agentenverhalten über Kontextdesign, Modell-Routing, Integrationen, Evaluierung, Telemetrie, Zuverlässigkeit und Kostenkontrolle bis hin zum Produktivbetrieb.

• Verantworte die Software-Systemarchitektur für Laborautomationsprodukte; definiere Schnittstellen über Software, Middleware, Hardware und Motorsteuerung hinweg in einer regulierten IVD-Umgebung.
• Leitete Architektur-Reviews und Proof-of-Concepts für die Integration von KI-Funktionen (Anomalieerkennung, Predictive Maintenance) in die Laborautomation unter Qualitätsstandards für Medizinprodukte.
• Führte GenAI-gestützte Entwicklungstools im Team ein und verbesserte dadurch die Produktivität und die Qualität von Code-Reviews.
• Kommuniziere Architekturentscheidungen an Produkt- und Projektmanagement; koordiniere Forschungs- und Verbesserungsprojekte mit System-, Elektronik- und externen Partnern.

• Von Experten betreute KI-Systeme für wissenschaftliches Schlussfolgern, Modellevaluation und Forschungs-Workflows.
• Entwickelte den IAS Problem Solver, ein orchestriertes System für schwieriges mathematisches Schlussfolgern; es erreichte 84 % in einem eingereichten Antwortsatz auf dem Leipziger Mathematik-Benchmark.
• Entwickelte eine fortsetzbare State-Machine-Pipeline für die Generierung von Benchmarks in der Forschungsmathematik: Quellenauswahl, LLM-Agent-basierte Phänomenfindung, Aufgabensynthese, Gold-Antwort- und Zertifikatsgenerierung sowie Validierung, Probe, Reparatur, menschliches Feedback und Quality Gates, mit Fokus auf Aufgaben, die schwierig, natürlich, verifizierbar und kosteneffizient sind.
• Die aktuelle Arbeit erweitert dies zu budgetbewussten KI-Forschungs-Workflows für reale wissenschaftliche Probleme mit Expertenprüfung.

Tech-Stack: Python, OpenAI/OpenRouter-kompatible APIs, Embeddings, RAG, SQLite.

• 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

• Konzeption und Entwicklung einer Multi-Tenant-SaaS-Plattform, mit der Unternehmen ihre eigenen Wissensdatenbanken aufbauen und mit individuell gebrandeten KI-Assistenten chatten können (White-Label-Ansatz mit dynamischem Branding pro Organisation).
• Implementierung einer skalierbaren RAG-Architektur mit einer GPT-4o-Tool-Use-Loop, hybrider semantischer Suche und strikter Mandantentrennung auf Datenbank- und Suchindex-Ebene.
• Aufbau persistenter, projektähnlicher Chat-Sessions inklusive Streaming-API (SSE), mehrsprachiger Unterstützung sowie Sprach-Ein- und Ausgabe (STT/TTS).
• Bereitstellung der Cloud-Infrastruktur als Infrastructure-as-Code, vollständig automatisierte CI/CD-Pipelines pro Kunde und ein Onboarding-Prozess für neue Mandanten.

Verwendete Technologien: Python, FastAPI, Pydantic (v2 noted), Next.js, React, TypeScript, Tailwind CSS, OpenAI / LLMs (GPT-4o), Azure AI Search, Cosmos DB, Azure Blob Storage, Azure Cognitive Services Speech, Azure App Service, Azure Container Registry, Retrieval-Augmented Generation (RAG), Server-Sent Events (SSE), Docker, Terraform, GitHub Actions, REST, OpenID Connect (OIDC), Multi-Tenancy

Erkennung und Klassifizierung von Fahrzeugen in Bildern und Videos für die Verkehrsüberwachung

• Ein YOLO- + Faster-R-CNN-Modell für reale Verkehrs- und autonome Fahrszenarien. Ausgezeichnet mit dem Best Paper Award am St Joseph Engineering College, März 2025.

Was es macht

• Das Modell nimmt Bilder oder Videoframes und lokalisiert und klassifiziert Fahrzeuge nach Typ, sodass es für Folgeanwendungen wie Verkehrsflussüberwachung oder Wahrnehmung in autonomen Fahrzeugsystemen nutzbar ist.

Was ich gemacht habe

• YOLO (für schnelle Erkennung) mit Faster R-CNN (für genauere Klassifizierung) kombiniert, statt mich auf nur eine Architektur zu verlassen, um Geschwindigkeit und Genauigkeit dort abzuwägen, wo sie am wichtigsten waren.
• 90 % mean Average Precision (mAP) erreicht, bewertet mit IoU-basierten Metriken statt nur mit roher Genauigkeit, damit die Lokalisierungsqualität korrekt abgebildet wird.
• Die komplette Datenverarbeitung und Bewertungspipeline in Python mit TensorFlow und OpenCV umgesetzt.
• Das begleitende Paper wurde vom Best Paper Award der CSE-Abteilung am St Joseph Engineering College ausgezeichnet.

Tech-Stack: Python, TensorFlow, OpenCV, YOLO, Faster R-CNN