Deep Learning Experten in Berlin

• 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

• Entwicklung von Methoden zur monokularen 3D-Gesichtsrekonstruktion und personalisierten geometrischen Modellierung aus mobilen Aufnahmen
• Entwicklung lernbasierter Ansätze zur Schätzung der Gesichtsform, videobasierten Gesichtsanalyse und datenschutzfreundlichen visuellen Lernverfahren

• Entwicklung von Krypto-Quant-Strategien, automatisierte Handelsausführung, Onchain-Daten-Client (Ethereum / Solana)
• Entwicklung von Daten- und Handelsarchitekturen für die Bereitstellung von Liquidität

• Forschung und Entwicklung im Bereich der großmaßstäblichen 3D-Rekonstruktion durchgeführt

• Entwickle und präsentiere Lösungen mit GenAI-Software wie langchain, vercel ai sdk, copilotkit
• Arbeite mit Kunden zusammen, um ihre Herausforderungen zu verstehen und die besten Lösungen auf Basis von Open-Source-Datenprodukten zu liefern
• Baue RAG- und GraphRAG-Lösungen mit Neo4j, lancedb und Postgres
• Setze eine LLMOps-Plattform mit kubernetes, terraform, helmfile, Arize phoenix, mlflow auf
• Entwerfe und baue Datenpipelines mit dbt, Trino, Spark, Iceberg, Airflow, ArgoCD, terraform, kubernetes
• Lieferte eine nutzerzentrierte technische Strategie für Agriculture 4.0 und Precision Livestock Farming und half meinem Kunden, Fördermittel von Bpifrance zu sichern
• Entwickelte ein Prospecting-Tool für einen führenden französischen Solar-Carport-Installateur mit Geospatial Computing (GIS), wodurch der Vertriebsprozess schneller wurde
• Baute eine Digital-Twin-Architektur für Solar-Carports und EV-Ladestationen, die Echtzeit-Monitoring und intelligentes Laden möglich machte

• Entwicklung und Implementierung von Bildklassifikationsmodellen für Computer-Vision-Aufgaben, einschließlich Datensatzerstellung, Vorverarbeitung, Validierung und Visualisierung; Anwendung von Methoden des maschinellen Lernens und Deep Learning zur Optimierung von Genauigkeit und Leistung.
• Durchführung von Experimenten mit geeigneten ML-Algorithmen, LLM-basierten Ansätzen und Tools; Durchführung statistischer Analysen, Hyperparameter-Optimierung und Feinabstimmung auf Grundlage von Testergebnissen für eine robuste Modellleistung.
• Entwicklung und Optimierung von APIs für CRUD-Operationen mit Node.js (Fastify) und Flask (Python), wodurch die Latenz verbessert und die Skalierbarkeit sichergestellt wurde.
• Implementierung von Backend-Lösungen mit SQLAlchemy für die Datenbankverwaltung sowie Automatisierung von Workflows mithilfe von Cron-Jobs und AWS-Lambda-Funktionen.
• Erfahrung in der Implementierung und Wartung von CI/CD-Pipelines zur Optimierung von Deployments und Sicherstellung einer zuverlässigen Softwarebereitstellung.
• Kontinuierliche Erreichung von Servicezeit- und Qualitätszielen bei gleichzeitigem Aufbau starker, kooperativer und professioneller Arbeitsbeziehungen über verschiedene Teams hinweg.

• Entwickelte YourBestChance.io, eine KI-gestützte Plattform für Karriere-Resilienz, die fortschrittliches maschinelles Lernen nutzt, um personalisierte Anleitung und Ressourcen für Nutzer bereitzustellen.
• Entwarf und implementierte ein Retrieval-Augmented-Generation-(RAG)-System zur Unterstützung von drei Sprachen, das GPT-basierte große Sprachmodelle (einschließlich OpenAI- und Grok-Varianten) mit spezialisierten Vektordatenbanken für effiziente semantische Suche und Ähnlichkeitsabgleich kombiniert.
• Entwickelte einen interaktiven KI-Chatbot, der von generativer KI und RAG-Pipelines angetrieben wird, um Echtzeit- und kontextbewusste Antworten zu liefern und das Nutzerengagement zu steigern.
• Optimierte Datenpipelines und KI-Infrastruktur für Skalierbarkeit, stellte robuste Leistung bei steigenden Lasten sicher und verringerte die Latenz um 50%.
• Entwickelte umfassende KI-Strategien unter Einsatz von ML und GenAI zur Erstellung individueller Wachstumspläne; analysierte Unternehmensdaten, um Stärken, Schwächen, Risiken und Chancen für die KI-Integration zu identifizieren.
• Definierte ethische Rahmenwerke für die KI-Einführung, ermittelte Weiterbildungsbedarfe für Mitarbeitende und Führungskräfte und erstellte gestufte Aktionspläne (kurz-, mittel- und langfristig) mit gezielten Empfehlungen zur KI-Integration.

• Entwickelte ASR- und TSR-basierte Sprachverarbeitungspipelines auf AWS, die effiziente Merkmalsextraktion und skalierbare Bereitstellung für Sprach- und Textanalysen ermöglichen.
• Entwickelte ein multimodales System zur Erkennung von Sprachemotionen, das NLP und Deep Learning (Audio + Text) kombiniert, erreichte 98 % Genauigkeit und unterstützt Echtzeit-Inferenz in der Cloud.
• Entwarf und optimierte End-to-End-Workflows für Modelltraining und -evaluation mit AWS-Diensten (S3, EC2, Lambda), um Leistung, Zuverlässigkeit und Reproduzierbarkeit sicherzustellen.
• Erstellte und implementierte interaktive, benutzerfreundliche Dashboards zur Datenvisualisierung und Generierung von Erkenntnissen, um Forschungsgruppen und Management bei datenbasierten Entscheidungen zu unterstützen.

• Forschung an der Schnittstelle von Proteomik und künstlicher Intelligenz, mit Schwerpunkt auf der Anwendung von Machine-Learning-Modellen (z. B. neuronale Netze, Clustering-Algorithmen und Merkmalsextraktion) zur Analyse komplexer biologischer Datensätze.
• Entwicklung und Vermittlung KI-basierter Analyse-Workflows für molekulare und proteomische Daten, mit Tools wie Python (scikit-learn, TensorFlow, Pandas) für prädiktives Modellieren und Datenvisualisierung.
• Zusammenarbeit mit interdisziplinären Teams zur Untersuchung datengestützter Hypothesen in der Molekulargenetik und zur Verbesserung der biologischen Interpretation durch KI-gestützte Mustererkennung.
• Implementierung automatisierter Datenverarbeitungs-Pipelines zur Verbesserung der Reproduzierbarkeit und des FAIR Data Managements in Hochdurchsatzexperimenten.

• ETL-Pipelines auf Basis von Python und SQL für Daten aus mehreren Quellen entworfen und gepflegt
• Prozesse zur Datenvalidierung und zum Monitoring aufgebaut, um Genauigkeit und Zuverlässigkeit sicherzustellen
• Strukturierte Datensätze geliefert, um Reporting und Geschäftsentscheidungen zu unterstützen
• Mit Stakeholdern zusammengearbeitet, um Anforderungen in Datenlösungen zu übersetzen

• Entwicklung und Implementierung einer Echtzeit-Wahrnehmungspipeline mit YOLOv7 auf Time-of-Flight-(ToF)-Sensordaten, die Live-Streaming, Inferenz und On-Frame-Visualisierung zur Passagiererkennung ermöglicht.
• Feintuning und Bewertung mehrerer State-of-the-Art-Monokular-Tiefenschätzmodelle für die automatische Passagierzählung (APC) sowie Entwicklung eines hybriden Tiefenmodells, das die Tiefengenauigkeit in anspruchsvollen Szenenbereichen verbesserte.
• Nachgewiesen, dass modellbasierte Tiefenkarten die Rohsensortiefe für APC-Aufgaben in mehreren Datensätzen übertreffen und so zu messbaren Verringerungen der Zählfehler beitragen.

• MAVAE/VAE-Modelle in PyTorch trainieren und optimieren, um Anomalien in multivariaten Zeitreihendaten von Sensoren zu erkennen.
• Vorverarbeitungs-Workflows und Evaluations-Pipelines entwerfen, um Modellgenauigkeit und Robustheit zu verbessern.
• Performance von MAVAE im Vergleich zu statistischen Basisansätzen und Deep-Learning-Methoden benchmarken und vergleichende Erkenntnisse präsentieren.
• Mit Forschungsbetreuern zusammenarbeiten, um Hypothesen zu verfeinern und experimentelle Ergebnisse in einsatzfähige Forschungsergebnisse zu überführen.

• Führte eine systematische Datensammlung und -vorverarbeitung für die Machine-Learning-Algorithmen durch
• Definierte den Labeling-Prozess und implementierte eine Schnittstelle zur Annotation der Datensätze
• Programmierte einen visuellen Deep-Learning-Algorithmus zur Erkennung von Maschinenverschmutzung in der Live-Produktion
• Implementierte Data-Augmentation-Techniken, um mit Maschinenheterogenität umzugehen
• Bereitstellte ein containerisiertes Modell mit API-Endpunkten für den Einsatz an Produktionsmaschinen
• Koordinierte und vertrat ein fünfköpfiges Projektteam, erstellte Präsentationen und Berichte

Geeks Ltd ist ein in Großbritannien ansässiges Technologieunternehmen; WordUp ist das KI-gestützte Sprachlernprodukt mit Fokus auf personalisiertes Vokabellernen und intelligente Lernerlebnisse.

• Koordination der KI-Produktlieferung über Product, Engineering, Data, Operations und Führung hinweg, dabei Nutzerbedürfnisse in klar abgegrenzte Initiativen übersetzen, Arbeitsschritte planen, Blocker sichtbar machen, Übergaben begleiten und Fortschritte kommunizieren.
• Verantwortung für Suche, Empfehlung, Retrieval und Content-Anreicherung end-to-end, von Anforderungen und Architektur über Implementierung mit Python/FastAPI bis hin zu Testing, Deployment, Monitoring und schneller Iteration.
• Entwicklung von Retrieval-, Ranking- und Personalisierungs-Services mit niedriger Latenz unter Nutzung von AWS, OpenSearch, DynamoDB, Embeddings und wiederverwendbaren APIs, mit <1s Latenz, 22% höherem Engagement und 12% höherer Premium-Conversion.
• Einsatz von KI-Coding-Assistenten für Codebase-Analyse, Scaffolding, Refactoring, Tests, Debugging und Dokumentation, wobei jede Ausgabe auf Korrektheit, architektonische Passung, Sicherheit, Wartbarkeit und Nutzerwert geprüft wird.
• Vertretung der technischen Arbeit in Planung und Stakeholder-Gesprächen, direkte Anforderungsaufnahme, konstruktives Hinterfragen von Prioritäten, Erklärung von Delivery-Abwägungen und Unterstützung des Teams bei ergebnisorientierten Entscheidungen.