Data-Science-Experten in Deutschland

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

Das Programm dient der umfassenden Neuausrichtung der deutschen Consumer Panel Services. Es verbindet einen erheblichen Panelboost mit der Neuverarbeitung historischer Datenbestände und der Integration neuer Receipt-Daten. Durch die deutliche Vergrößerung und Stabilisierung des Panels unter Einbindung externer Partner soll die Aussagekraft der Datenbasis verbessert und eine belastbare Grundlage für Methodologie, Gewichtung und Kundenreporting geschaffen werden. Parallel werden historisch gewachsene Prozesse für Datenlieferung, OCR, Matching, Item QC, Methodologie und Reporting harmonisiert, technologisch weiterentwickelt und organisatorisch neu ausgerichtet. Ziel ist eine skalierbare End-to-End-Landschaft mit höherer Datenqualität, klaren Verantwortlichkeiten, belastbarer Governance und nachhaltig steuerbaren Betriebsprozessen.

• Gesamtsteuerung des Restatement-Programms einschließlich der integrierten Roadmap sowie der Meilensteine, Abhängigkeiten, Risiken und Managemententscheidungen.
• Koordination des Panelboosts sowie Abstimmung der erforderlichen Datenlieferungen, Qualitätsanforderungen und Voraussetzungen für Methodologie, Gewichtung und Reporting.
• Ausrichtung von Business, Product, Data Science, Technology, Operations und externen Partnern auf ein gemeinsames Zielbild, abgestimmte Prioritäten und ein integriertes Vorgehen.
• Gestaltung des Organizational Change, der durch die grundlegende Neuausrichtung von Datenbasis, Methodologie und Steuerungslogik ausgelöst wird und etablierte Entscheidungs- und Zusammenarbeitsmuster nachhaltig beeinflusst.
• Aufbau und Weiterentwicklung von Governance-, Reporting- und Eskalationsstrukturen sowie von programmweiten Monitoring- und Betriebsprozessen für eine belastbare Steuerung und nachhaltige Übergabe.
• Steuerung kritischer Daten-, Technologie- und Providerabhängigkeiten einschließlich Reprocessing, OCR-Transition und der zeitlichen Synchronisation von Delivery, Testing, Methodologie und Reporting.
• Orchestrierung der internationalen Zusammenarbeit mit Teams und Stakeholdern in Deutschland, dem Vereinigten Königreich, Portugal und Rumänien sowie mit externen Lieferanten in Deutschland und Österreich.

Impact Areas und Expertise: Program & Delivery Leadership, Business & Technology Alignment, Organization & Transformation, Governance & Sustainable Operations, Strategy & Target, Methodic Leadership, Transformation & Change Leadership, Executive Advisory

• Marketingstrategie: End-to-end-Analyse und Bewertung von kanalübergreifenden Marketingkampagnen über die gesamte Customer Journey hinweg. Mein Fokus liegt darauf, Optimierungspotenziale zu erkennen und klare, umsetzbare Empfehlungen abzuleiten, die messbare Geschäftsergebnisse erzielen.
• Data Science & KI: Fortgeschrittene prädiktive Modelle (Churn, LTV), Market-Basket-Analysen, Clustering und KI-gestützte Audience Discovery in Echtzeit mit RAG/LLMs.
• Marketing Analytics & Measurement: End-to-end-Attributionsanalyse, Marketing Mix Modeling (MMM), Audience Segmentation, Conversion-Path-Analyse und A/B-Tests über alle wichtigen Plattformen hinweg.
• Data Engineering & Reporting: Aufbau und Betreuung robuster, plattformübergreifender Datenpipelines (BigQuery, GCP) für die Datenkonsolidierung, automatisierte Dashboard-Erstellung und wichtige API-Integrationen.

• Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft.
• Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden.
• Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD.

• 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

Zur Erzielung von Einsparungen und Optimierung der Compliance wurden Apps in Abgleich mit den Zuordnungen des Identity Managements neu strukturiert, Einschränkungen definiert und vor allem Kosten aus einer Übernutzung reduziert. Die Kommunikation mit den Stakeholdern, Validierung der Berechtigungen mit Anwendern und technische Umsetzung in den Modulen SAP FI/CO und Sourcing & Procurement ergab umfangreichen Mehrwert für die Gruppe. Hinzu kommt entsprechende Dokumentation für die Wirtschaftsprüfung.

• Task Engineering: Bewertung von Coding Agents.
• Asset-Erstellung: Aufbau realistischer Aufgabenumgebungen mit Datensätzen und Dateien auf Deutsch. Entscheidend ist dabei, dass diese Assets in der Zielsprache bleiben, um den Umgang mit mehreren Sprachen wirklich zu messen.
• Prompting & Translation: Finden von Fehlerstellen, an denen die KI nicht funktioniert, auf Deutsch.
• Implementierung & Verifikation: Unterstützung bei der Entwicklung robuster Lösungen (Referenzimplementierungen) und Schreiben sehr zuverlässiger, deterministischer Verifizierungs-Skripte (mit rubric-basierten Bewertungen nur dann, wenn es unbedingt nötig ist).
• Kalibrierung & Ausführung: Auswertung von Ausführungslogs und Kalibrierung des Aufgabenschwierigkeitsgrads (Easy bis Very Hard) mit Standard-Terminal-Bench-Run-Konfigurationen gegen verschiedene Modellstufen (Haiku, Opus).
• Qualitätssicherung: Mitarbeit in einem strengen, 4-stufigen menschlichen Qualitätskontrollprozess (Erstellung, menschliche Prüfung, Kalibrierungsprüfung und Audit) zusammen mit automatisierten LLM-basierten Checks, um Fairness, grammatikalische Korrektheit und Benchmark-Integrität sicherzustellen.
• Linguistische Prüfung: Überprüfung von KI-Benchmark-Aufgaben in Hindi, Arabisch, Japanisch, Chinesisch, Tschechisch und Türkisch.

• Digitales System, bestehend aus speziellen Software- und Hardware-Komponenten. Das Gesamtsystem ersetzt die klassische Vorgehensweise mit Laufzetteln und handschriftlichen Notizen und ermöglicht eine effektivere Vertragsaufnahme. Aufträge und Arbeitsschritte zu den Projekten der Geigenbaufirma können jetzt in Echtzeit direkt am Touchscreen-PC der Werkbank, per Handy oder am Desktop erfasst, bearbeitet und protokolliert werden. Kunden werden so transparenter mit in die Arbeit an ihren Instrumenten genommen und können über ihren Kunden-Account den Status und die Fortschritte an ihrem Instrument verfolgen.

Tech-Stack: next.js, React, Flutter, Dart, Raspberry, Linux, Directus

• 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

Tools: Fabric, AWS, dbt, Power BI, SQL, DWH, R, Python

• Unterstützte Kunden bei der Umsetzung eines Architekturdesigns zur Extraktion und Aufbereitung von Daten
• Verantwortete die Konzeption und Implementierung der BI- und DWH-Plattform
• Sicherte die Skalierbarkeit und Performance der Datenplattform

• Nutzung von OpenCode und AI-gestützter Softwareentwicklung zur Konzeption, Implementierung, Überarbeitung, Prüfung und Dokumentation einer durchgängigen RAW/SDTM/ADaM-Pipeline in R für Dr. Falk Pharma (07/2026), einschließlich metadatenbasierter Transformationen, automatisierter Validierungsregeln und QC, Rückverfolgbarkeit sowie reproduzierbarer klinischer Outputs.

• Komplexe Backend-Systeme erstellt (FastAPI Python, GCP Cloud Functions, APIs, Integrationstests) mit TypeScript.
• Mit Firebase- und Firestore-Datenbanken gearbeitet und dabei Transaktionen, Scheduling-Jobs und Migrationen umgesetzt.
• GCP-Dashboards für ein gründliches Monitoring und benutzerdefinierte Alerts bei ungewöhnlichem Traffic implementiert.
• Sentry für besseres Debugging, Error-Tracking und das allgemeine Monitoring des Next.js-Frontends implementiert.
• Story-Tests für UI-bezogenes Testing implementiert.
• Typesense im Python-FastAPI-Backend implementiert, um die textbasierte Suche und den Umgang mit Tippfehlern zu verbessern.

• 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 Python-basierte KI-Microservices und Integrationen für eine AEC/VR-SaaS-App auf Unity-Basis, mit Fokus auf LLM-/VLM-Funktionen, retrieval-gestützte Systeme, RESTful APIs, containerisierte Bereitstellung und einen Automatisierungs-Microservice für die CAD-zu-Unity-Pipeline.

• Entwickelte einen eigenen Hybrid-A*-Algorithmus in C#, um Hospitalszenarien zu simulieren und frühe Designkonflikte anhand von Kollisions- und Raumdaten zu erkennen sowie strukturierte Berichte zu erzeugen.
• Löste und automatisierte das zeitaufwändige Problem, CAD-Dateien in nutzbare Unity-Umgebungen zu überführen, mit einer eigens entwickelten Echtzeit-Pipeline und einer ZeroMQ-basierten Kommunikationsebene, um Lasten auf mehrere Prozesse zu verteilen und Echtzeitfähigkeit zu erreichen.
• Entwickelte eine Docker-basierte FastAPI-Pipeline für die CAD-zu-Unity-Automatisierung, die bildbasierte Objekterkennung, Image Embeddings und vorab berechnete Metadaten kombiniert, um CAD-Objekte automatisch Unity-Verhaltensskripten zuzuordnen, Eigenschaften zu setzen und wiederholte KI-Inferenzaufrufe zu reduzieren.
• Erstellte Dokumentation und Beispiele, um technischen Nutzern zu helfen, die KI-Automatisierungspipeline zu verstehen, zu konfigurieren und zu erweitern.