Convolutional Neural Network Experten in Deutschland

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

• TrendReel, Produktions-LLM-Agenten- und RAG-System (Python, LangChain, OpenAI, Groq/Llama 3, Claude, FastAPI, Kubernetes, PostgreSQL).
• Entwarf und baute ein produktives mehrstufiges LLM-Agentensystem: einen Script-Generierungs-Agenten mit einer plattformbezogenen Psychologie-Datenbank, 7 viralen Narrativ-Frameworks und strukturierter Qualitätsbewertung, der in Echtzeit je nach Ausgabemetriken zwischen Claude- und Groq-Backends wechselte.
• Implementierte Multi-Provider-LLM-Routing (Claude primär, Groq/Llama 3 Fallback) mit Priority-Chain-Failover und qualitätsbasiertem Provider-Wechsel und erreichte dabei eine Senkung der Inferenzkosten um 95 %, während messbare Qualitätsgrenzen eingehalten wurden.
• Aufbau einer fortschrittlichen RAG-artigen Retrieval-Pipeline mit Wissensbasen pro Plattform, semantischem Content-Matching und strukturierter Ausgabeevaluation über 7 Entscheidungs-Frameworks, direkt vergleichbar mit kontextbasiertem Reasoning in Multi-Tenant-Enterprise-Dokumenten-Workflows.
• BrainyAI, adaptive KI-Lernplattform (Python, LangChain, Groq Llama 3.3-70B, OpenAI, Next.js, Supabase, Redis).
• Integrierte Groq Llama 3.3-70B mit einem auf Bildungsniveau abgestimmten Prompting, wobei Wortschatz-Tiefe, Zitierkomplexität und Denkstil dynamisch über vier Leistungsstufen von Lernenden angepasst wurden.
• Nexus Prime, Multi-Tenant-SaaS-Plattform für Marketing- und Wachstumsautomatisierung (25 Module, 99 Backend-Router, 153 Frontend-Dateien).
• Aufbau einer 25-Modul-, 99-Router-Multi-Tenant-SaaS-Plattform für Ad-Remix, Affiliates, WhatsApp-Inbox, E-Mail und Warenkorbwiederherstellung, die vier Abo-Stufen von $199 bis $1,999 pro Monat mit integrierter Stripe-, Paystack- und Flutterwave-Abrechnung bedient.
• KI-Videoüberwachungsplattform, Multi-Tenant-Edge- und Cloud-Computer-Vision-System derzeit aktiv im Kundengespräch.
• Entwarf eine Multi-Tenant-KI-Videoüberwachungsplattform, die Edge-YOLO26-Inferenz auf NVIDIA Jetson Orin NX Boxen mit einer zentralen GKE-Cloud-Schicht (Postgres, Pub/Sub, ClickHouse, R2, Keycloak) für Ereignisspeicherung, Dashboards, Alarme und Multi-Tenancy kombiniert.

• Ein vollständiges Thermomanagementsystem für ein Fahrzeug in einer MiL-Simulation entwickelt und validiert, mit 95 % Übereinstimmungsgenauigkeit gegenüber realen Fahrzeugmessungen, was die virtuelle Kalibrierung direkt unterstützt und die Abhängigkeit von physischen Prüfständen reduziert hat.
• Die durchgängige Entwicklung einer Model-in-the-Loop-(MiL)-Simulation mit AVL CruiseM und MATLAB/Simulink geleitet, einschließlich Systemarchitektur, Parametrierung und Validierung.
• Fahrzeug-Sensormessungen (Temperatur, Volumenstrom) mit dSpace MicroAutoBox (HiL) und IPEmotion erfasst und analysiert und die Rohdaten in verwertbare Kalibrierungsinformationen übersetzt.
• Wichtige Aktoren und Thermokomponenten - Pumpen, Ventile, elektrische Heizungen, Wärmetauscher und Kältemittelkreisläufe - kalibriert und optimiert sowie zuvor fehlende physikalische Effekte identifiziert und integriert, um die Lücke zwischen Simulation und realer Fahrzeugleistung zu schließen.
• Einen integrierten Aktorenregler entworfen und abgestimmt, mit präzise kalibrierten Parametern, wodurch ein hochgenaues virtuelles Modell entstand, das für die weitere Entwicklung übernommen wurde.

• CNN- und RNN-Architekturen mit Transfer Learning für reale Klassifikationsaufgaben entwickelt und feinabgestimmt — zentrale Deep-Learning-Fähigkeiten, die auf die multimodale LLM- und GenAI-Fahrzeugfunktionsentwicklung bei BMW übertragbar sind.
• Dropout, Batch Normalization und Early Stopping in verschiedenen Deep-Learning-Experimenten implementiert; streng mit Precision, Recall, F1-Score und Confusion Matrices bewertet für Zuverlässigkeit auf Produktionsniveau.
• Ein KI-gestütztes Anwesenheitsverwaltungssystem mit LBPH-Gesichtserkennung entwickelt, über eine Flask-Weboberfläche bereitgestellt und mit SMS-Benachrichtigungen in Echtzeit ergänzt — ein Beispiel für eine vollständige AI-Produktlieferung für echte Nutzer.
• In funktionsübergreifenden Teams zusammengearbeitet, um skalierbare, dokumentierte ML-Pipelines für Reproduzierbarkeit zu liefern — passend zu BMWs interdisziplinärem Team- und Forschungsumfeld.
• AI-Tools direkt in den Entwicklungsworkflow integriert, vom Design bis zum Testen, und dabei eine hohe Geschwindigkeit ohne Abstriche bei der Korrektheit gehalten.

• Titel: Verbesserung des syntaktischen Bewusstseins in Transformer-Sprachmodellen für das Hindi-Dependency-Parsing
• Untersuchung des syntaktischen Wissens, das Transformer-Sprachmodelle (RoBERTa, XLM-RoBERTa) für das Hindi-Dependency-Parsing erfassen, einer morphologisch reichhaltigen und ressourcenarmen Sprache.
• Entwicklung strukturbewusster Modellvarianten (Struct_Roberta_hi, Struct_XLMR) durch Integration eines CNN-basierten Parser-Netzwerks zwischen den Transformer-Schichten, inspiriert von der StructFormer-Architektur.
• Durchführung umfangreicher Fehleranalysen einschließlich Auswertungen nach Label, Distanz, Richtung, Satzlänge sowie LVC/Non-LVC.
• Evaluierung der Modelle bei nachgelagerten NLP-Aufgaben (NER, POS-Tagging) unter Verwendung des IndicXTREME-Benchmarks.

• Übernahm die technische Leitung eines 4-köpfigen Teams, das innerhalb von 12 Monaten 3 wichtige Kundenplattformen mit Microservices-Architektur und Lösungen für Skalierbarkeit bereitstellte — 100% der geplanten Hauptfunktionen wurden vor dem Zeitplan und den geplanten Meilensteinen ausgeliefert (Ausgangslage: Frühere Releases verzögerten sich häufig um 1–2 Sprints).
• Führte Evaluierungen von KI-Modellen und Modellausgaben für LLM-/KI-Anbieter-APIs durch: Sicherheit, Vollständigkeit, Befolgung von Anweisungen und Prüfung der inhaltlichen Fundierung vor dem Go-live; reduzierte fehlerhafte Ausgaben in den KI-integrierten Release-Checklisten von wiederkehrenden UAT-Ergebnissen auf nahezu null bei der finalen Freigabe.
• Entwickelte die API-Entwicklung und Performance-Optimierung für Zahlungs-, Börsen- und KI-Dienste voran; strikt geschlossene Fehlerbehandlung und Payload-Validierung reduzierten die Überarbeitung von Integrationen im Vergleich zum ersten KI-Integrationsdurchlauf um ~35%.
• Setzte Softwaretests, Test-Frameworks, Qualitätssicherung von Code und Code-Refactoring mit Gates für die kontinuierliche Integration ein; die Akzeptanz von Pull Requests im ersten Durchlauf verbesserte sich im gesamten Team, und Hotfixes in der Produktion für KI-Adapter gingen nach Einführung der Review-Standards spürbar zurück.
• Verantwortete DevOps-Praktiken: Docker, GitHub Actions, Jenkins-kompatible Pipelines und Versionskontroll-Workflows — reduzierte die Bereitstellungszeit gegenüber der Ausgangslage vor der Automatisierung um ~50% und stabilisierte Releases in 3 Kundenumgebungen.
• Implementierte Verifier-/Oracle-artige Bestanden-Nicht-bestanden-Prüfungen in Container-Sandboxes (an Harbor/Terminal-Bench ausgerichtet); erstellte technische Dokumentation, sodass Fehler in einem Review-Zyklus behoben werden konnten.
• Leitete die funktionsübergreifende Zusammenarbeit mit Produkt- und Kundenstakeholdern; übersetzte KI-Evaluierungswerte und Risikobefunde in verständliche Kurzberichte für nichttechnische Partner und ermöglichte Go-/No-Go-Entscheidungen ohne zusätzliche Engineering-Meetings.
• Setzte agile Methoden für Sprintplanung und Backlog-Verantwortung ein; unterstützte Engineers dabei, dass Entwickler auf mittlerem Niveau bereits zur Hälfte des Projekts KI-Adapter-Module eigenständig verantworteten.

• Thema: Objekterkennung und semantische Segmentierung für (AUV)-Systeme mit transformerbasierten Vision-Modellen und Sensorfusion.
• Entwicklung und Implementierung einer durchgängigen Multi-Sensor-Fusion-Wahrnehmungspipeline (Kamera, LiDAR, IMU) in ROS
• Entwicklung eines CNN-basierten Machine-Learning-Modells (YOLOv8) und transformerbasierter Vision-Modelle für die Echtzeit-Objekterkennung
• Verarbeitung und Clustering von 3D-LiDAR-Point-Clouds mit DBSCAN, RANSAC und Voxel-Grid-Filtering für eine robuste Objektlokalisierung in verrauschten Umgebungen.
• Entwicklung von Bayesian-Netzwerk-Modellen (GeNle) für probabilistisches Schließen und sensorbasierte Entscheidungsfusion unter Unsicherheit.
• Einsatz von Kalman-Filtering zur Schätzung des Sensorzustands, zeitlichen Ausrichtung und glatten Objektverfolgung, wodurch False Positives in sicherheitskritischen Szenarien reduziert wurden.
• Auswertung der Systemleistung unter realistischen Fahrdynamiken, Verbesserung der Tracking-Stabilität und der Robustheit der gesamten Wahrnehmung.
• Aufbau von Deep-Learning-Pipelines für Training, Validierung und Performancebewertung von Wahrnehmungsmodellen mit Sensordaten.

• Eine modulare C++-20-Embedded-Linux-Acquisition-Software auf einem Raspberry Pi entwickelt, die IMU- und Dual-Kamera-Datenströme mit Genauigkeit im Submillisekundenbereich synchronisiert.
• Retroreflektive und Kontrastsensoren integriert, um die Datenerfassung auszulösen und Lücken zwischen Sortierbahnschienen zu erkennen.
• SPI- und I2C-Sensorkommunikation, GPIO-Interrupt-Verarbeitung mit libgpiod sowie CSV- und JSON-Ausgabe implementiert.
• Eine mehrthreadige Acquisition-Pipeline und eine SPSC-Queue zwischen Acquisition- und Writer-Threads entworfen.
• Einen webbasierten Server mit Python/HTML/CSS aufgebaut und den Prototypen in einem DHL-Lager zur Fehlererkennung validiert.
• Das Softwareverhalten, die Konfiguration und die Ergebnisse dokumentiert, um eine wartbare Übergabe und Weiterentwicklung zu ermöglichen.

• Entwarf und baute eine mandantenfähige Python/Flask-API-Plattform mit JWT- und API-Key-Authentifizierung, berechtigungsbezogenem Zugriff und Service-Orchestrierung als Grundlage für KI-Anwendungen.
• Entwickelte ein multimodales RAG-System mit Hybrid-Chunking, dichten/sparsamen Embeddings, Hybrid-Retrieval, Reranking und Vektorsuche, um fundierte, sehr präzise Antworten über Unternehmensdaten hinweg zu liefern.
• Setzte KI-Workflows produktiv mit Docker, CI/CD, Redis-basiertem asynchronem Job-Tracking, Webhook-Callbacks, Integrationen externer KI-/Medien-Services und Laufzeit-Health-/Reliability-Kontrollen um.

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.

• Analyse
• Beratung
• Software-Design
• Entwicklung
• Automatisierung
• Testen
• Deployment
• Architektur, Entwicklung und Bereitstellung verschiedener Proof-of-Concept-Anwendungen rund um die Integration aktueller KI-Schnittstellen, inklusive Gespräch, Echtzeit-Voice, Bilder und Videos
• Best Practices für die Arbeit mit agentischen Systemen und KI in der Praxis entwickelt
• Code-Vorlagen erstellt

• Technische und fachliche Leitung der Software- und ML-Entwicklung; weitgehend eigenständige Umsetzung der Programmierung und Koordination des Teams sowie externer Projektpartner
• Entwurf, Erstellung und Aufbereitung von Trainings- und Testdatensätzen aus experimentellen Bilddaten und Simulationen
• Auswahl, Implementierung, Training, Validierung und Test von neuronalen Netzen für bildbasierte Rekonstruktion und Transformation
• Systematische Bewertung, Vergleich und Optimierung verschiedener Modellarchitekturen (Convolutional Neural Networks, Generative Adversarial Networks, Autoencoder, Transformer)
• Konzeption und Implementierung von Explainable AI-Analysen zur Beurteilung der Modellinterpretierbarkeit und Robustheit (Analyse von Feature Maps, Augmentationsstudien, Guided Backpropagation)
• Vorstellung der entwickelten Methoden und Ergebnisse in Projektmeetings und auf internationalen Konferenzen

• 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)