Diffusion-Model-Experten in Deutschland

• Feinabstimmung und Evaluierung alternativer Backbone-Architekturen für den AFFGAN-Handschriftsstil-Encoder, um schriftstellerspezifische Merkmale besser zu erfassen; Benchmarking gegenüber der ursprünglichen Baseline-Architektur und Ersetzung der veralteten VGG19-Architektur durch einen benutzerdefinierten Transformer-basierten Encoder.
• Erweiterung des Systems über die Synthese auf Wortebene hinaus zur zeilenweisen Handschriftgenerierung durch Integration und Anpassung einer bestehenden Zeilengenerierungsarchitektur zur Unterstützung vollständiger Sätze.
• Bereitstellung der Handschriftgenerierungspipeline als Webanwendung, mit der Nutzer einen Schreibstil auswählen, eigenen Text eingeben und sofort ein entsprechendes Handschriftbild erzeugen können.
• Integration von TrOCR in ein Teacher-Student-Destillierungsframework zur Bewertung und Verbesserung der Lesbarkeit generierter Handschrift; Verbesserung der OCR-Genauigkeit um 20% gegenüber der Baseline.
• Steigerung der Auswahlraten in Nutzerstudien um 40%, was eine deutliche Verbesserung der wahrgenommenen Qualität und des Realismus der generierten Handschrift gegenüber dem Baseline-Modell zeigt.

Technologien: PyTorch, Python, GANs, CNN, ViT, TrOCR, Streamlit, CUDA.

• KI-basierte Wahrnehmungs- und multimodale Systeme für reale Umgebungen entwickelt und implementiert
• Machine-Learning- und Deep-Learning-Modelle mit Python, PyTorch, TensorFlow und OpenCV erstellt, trainiert und evaluiert
• Mit Vision-Language Models (VLMs), Large Language Models (LLMs), transformerbasierten Architekturen und multimodalen KI-Systemen gearbeitet
• LoRA-basierte Feinabstimmung angewendet und Diffusionsmodelle für generative und multimodale KI-Anwendungen erprobt
• Multimodale Wahrnehmungspipelines mit Kamera-, LiDAR- und Sensordaten entwickelt
• Durchgängige Arbeitsabläufe für Datenverarbeitung, Modelltraining, Evaluierung, Benchmarking und Robustheitsanalysen konzipiert
• HuggingFace Transformers und moderne Deep-Learning-Frameworks für KI-Experimente und Bereitstellungsprozesse eingesetzt
• GPU-beschleunigtes Rechnen, CUDA-basierte Verarbeitung sowie ONNX- und TensorRT-Optimierung für effiziente Inferenz und Modelltraining im großen Maßstab genutzt
• Mit Industriepartnern wie Valeo und REHAU an angewandten KI-Projekten und Projekten zu intelligenten Systemen zusammengearbeitet
• Skalierbare KI-Architekturen und Prototypen für Automatisierungs- und Wahrnehmungsaufgaben entwickelt

• Entwicklung durchgängig reproduzierbarer ML-Pipelines (PyTorch) mit Datenversionierung (DVC), Experiment-Tracking (MLflow), automatisierten Tests (PyTest) und CI/CD für alle Trainings-Workflows.
• Skalierung des Trainings von Vision Transformers und CNNs über NVIDIA A100-GPU-Cluster (CUDA, DDP, SLURM); Anwendung von Hyperparameter-Optimierung (W&B Sweeps), um den Trainingsaufwand zu reduzieren und optimale Konfigurationen zu ermitteln.
• Entwicklung eines Echtzeit-Systems zur Generierung menschlicher 3D-Bewegungen (ViT, VQ-VAE, SMPL-X/PIXIE) für die persönlichkeitsabhängige Avatarsynthese; Erreichen von state-of-the-art FID = 6.15 und P-FID = 10.31 auf dem UDIVA-Benchmark.
• Validierung der Ausdrucksfähigkeit des Modells durch strukturierte Nutzerstudien mit einer Genauigkeit von 86% bei der Unterscheidung zwischen extrovertiertem und introvertiertem Avatarverhalten.
• Optimierung von Inferenz-Pipelines durch die Bereitstellung von PyTorch-Modellen über TensorRT und ONNX Runtime in nativem C++-Code; Durchführung von Performance-Benchmarks.

• Entwicklung einer React-basierten Forschungsplattform mit interaktiven 3D-/AR-Workflows zur Produktvisualisierung.
• Implementierung der Interaktionsverfolgung und Nutzungsanalyse zur Messung des Nutzerverhaltens und der Nutzung von Funktionen innerhalb einer Forschungsplattform.
• Bereitstellung der Forschungsplattform und Integration eines analytischen R-Shiny-Dashboards, das Forschenden die interaktive Untersuchung von Meta-Analyse-Ergebnissen innerhalb einer einheitlichen Plattform ermöglicht.

• Integration von Post-Quantum-Kryptografie-(PQC)-Algorithmen in hochrangige Protokolle.
• Sicherheit von Implementierungen von Post-Quantum-Kryptografie-Algorithmen.
• Umstellung auf Post-Quantum-öffentliche Schlüsselinfrastrukturen.
• Sicherheitsbewertungen von Post-Quantum-Kryptografie-(PQC)-Primitiven.
• Drohnen-Cybersicherheit
• Satelliten-Cybersicherheit
• KI-Sicherheit

• Automatisierte Validierungs-Workflows mit Python eigenständig initiiert und implementiert, dadurch die manuelle Verarbeitung um 58% reduziert und die Effizienz verbessert
• Ein Machine-Learning-Modell zur Erzeugung synthetischer Fehler entwickelt, Ausfallzeiten und Produktionskosten reduziert; lokal sowie über Databricks und Azure AI Factory bereitgestellt
• Einen kleinen Bilddatensatz aus den Produktionslinien genutzt und durch das Training von Modellen wie cycleGAN und pix2pix erweitert
• Die Linux-basierte Entwicklungsumgebung für das Training von 3D-Modellen aufgebaut und optimiert; die Reproduzierbarkeit über GitHub sichergestellt
• Technische Erkenntnisse funktionsübergreifenden Teams (Ingenieuren, QA, Projektmanagern) präsentiert und so die Abstimmung von ML-Lösungen auf betriebliche Anforderungen sichergestellt

• Synthetische Datensätze für die Erkennung von CXR, Mammografien und distalen Radiusfrakturen mithilfe von GANs und Diffusionsmodellen generiert und dabei >50k synthetische Bilder für Benchmarking erstellt.
• DSGVO-konforme Prozesse und Reproduzierbarkeit sichergestellt, wodurch die Nutzung des Datensatzes für interne Validierungen und akademische Zusammenarbeit ermöglicht wurde.
• Das Projekt wurde in der internen R&D-Präsentation von MedTank als wegweisende Initiative für synthetische Daten vorgestellt.

• Beratung und Interim Management Portfoliostrategie und Umsetzung
• Aufbau Transition- und Monetization-Portfolio, Fokus Telcos
• Business-Unit-Transformationen (Struktur, Leistungen, Rollen)
• Führungskräftecoaching
• Go-to-Market, Positionierung und Angebotslogik
• Übertragung telcospezifischer Monetarisierungslogiken auf andere Industrien

• Konzeption und Planung des Contentplans
• Redaktionsplanung für 10 Kanäle
• Image-Shooting (Organisation, Betreuung, Abwicklung)
• Auswahl von Bild-, Text- und Videocontent

• Entwarf und implementierte LLM-basierte KI-Agenten, RAG-Pipelines und Vektorsuchlösungen zur Entscheidungsunterstützung in der Retail-Banking-Abteilung.
• Entwickelte und lieferte robuste KI-Pipelines mit Schutzmechanismen, Fehlerbehandlung, Monitoring und Fallback-Logik, um hohe Zuverlässigkeit und Einhaltung der Datenschutzbestimmungen zu gewährleisten.
• Entwickelte und implementierte ML-Modelle zur Erkennung von Transaktionsanomalien, wodurch die Betrugserkennung und Risikobewertung in großen Datensätzen für das Kreditrisikomodell verbessert wurden.
• Erstellte, bewertete und optimierte ML-Modelle zur Generierung von Propensity Scores für Kunden, die in personalisierten Targeting-Kampagnen für Kreditkarten und Privatkreditprodukte eingesetzt wurden.
• Entwickelte eine NLP-Pipeline mit BERT-Embeddings und spaCy NER für SMS-/E-Mail-Analysen und Kundenanfragenprotokolle.
• Trainierte Machine-Learning-Modelle mit Isolation Forest, um Nutzerverhalten zu klassifizieren und Anomalien zu erkennen.
• Extrahierte, bereinigte, angereicherte und feature-engineerte Datensätze aus verschiedenen Quellen, um Feature Stores zu erstellen, die das Training von ML-Modellen ermöglichten.
• Leitete die Entwicklung von Dashboards mit Power BI, Grafana und Prometheus zur Überwachung der Modellleistung, KPI-Trends und Marketing-Kennzahlen.
• Erstellte Multi-Touch-Attributionsmodelle mit logistischer Regression und zeitverfallbasierten Gewichtungen zur Bewertung der Lead-Qualität.
• Entwickelte skalierbare ETL-Pipelines aus CRM, T24, SAP und ERP zur Unterstützung von Millionen monatlicher Transaktionen.
• Integrierte Testverfahren und CI/CD-Workflows für eine stabile Bereitstellung von Datenpipelines.

• Bilder von Reifen und deren Merkmalsbeschreibungen gesammelt.
• Datensatz mit Bild-Metadaten mit pandas bereinigt.
• Merkmals-Embeddings der Bilder in der Chroma-Vektordatenbank gespeichert.
• Bildaugmentierungen eingesetzt, um die Datensatzgröße zu erhöhen.
• sklearn verwendet, um Datensätze zu mischen, und imbalanced-learn, um Klassengrößen im Datensatz auszugleichen.
• PyTorch genutzt, um verschiedene neuronale Netze zu trainieren und zu testen.
• Modell mit einer eigenen Genauigkeitsmetrik auf Basis einer Ähnlichkeitssuche in ChromaDB validiert.
• Vorhersagen der Genauigkeit mit matplotlib visualisiert.
• Trainiertes Modell in DreamBooth integriert, um ein Stable-Diffusion-Modell zu trainieren und neue Reifenbilder zu generieren.
• Eigenes Docker-Image im Amazon Elastic Container Registry für das Machine-Learning-Skript erstellt.

• 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.

• Leitung eines Teams von Junior Research Engineers, mit Mentoring, technischer Anleitung und Unterstützung ihrer beruflichen Entwicklung, um ihr Wachstum im Bereich Deep Learning und Machine Learning Engineering zu fördern.

• Untersuchung der Äquivalenz zwischen dem Tiny Reasoning Model (TRM) und Diffusionsmodellen für strukturierte Schlussfolgerungsaufgaben wie Sudoku und Labyrinthlösungen.
• Erforschung der Schlussfolgerungs- und Generierungsfähigkeiten von Diffusionsmodellen in symbolischen Problemlösungsumgebungen.