DVC-Experten in Deutschland

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

• Umsetzung branchenübergreifender Anwendungen mit LLMs
• Entwicklung von Cloud-Infrastrukturen für Kunden
• End-to-End-Datenpipelines zur Bereitstellung von Modellen in Echtzeit implementiert
• Die gesamte IT-Systemadministration und den Desktop-Support betreut

• Fractional Leadership; Beratung von Startups und Scale-ups in der Wachstumsphase zu Datenstrategie, ML-Produkten und Plattform-Grundlagen
• Aufbau von Entscheidungssystemen für Growth, Personalisierung und Produktexperimente in E-Commerce, Digital Health, Energie und Logistik
• Erforschung von Agentic AI und LLM-basierten Tools für produktionsreife Muster

• Entwicklung von durchgängig reproduzierbaren ML-Pipelines (PyTorch) mit Datenversionierung (DVC), Experiment-Tracking (MLflow), automatisierten Tests (PyTest) und CI/CD über alle Trainings-Workflows.
• Skalierung von Vision Transformer- und CNN-Trainings auf NVIDIA A100 GPU-Cluster (CUDA, DDP, SLURM); Durchführung von Hyperparameter-Optimierung (W&B Sweeps) zur Reduzierung des Trainingsaufwands und zur Identifizierung optimaler Konfigurationen.
• Entwicklung eines Echtzeit-3D-Systems zur Generierung menschlicher Bewegungen (ViT, VQ-VAE, SMPL-X/PIXIE) für persönlichkeitsabhängige Avatar-Synthese; Erreichen von Spitzenwerten mit FID = 6,15 und P-FID = 10,31 im UDIVA-Benchmark.
• Validierung der Modell-Ausdruckskraft durch strukturierte Nutzerstudien und Erreichen einer 86%-Genauigkeit bei der Unterscheidung zwischen extrovertierten und introvertierten Avatar-Verhalten.
• Optimierung von Inferenz-Pipelines durch Deployment von PyTorch-Modellen mittels TensorRT und ONNX Runtime in nativen C++-Code; Durchführung von Performance-Benchmarks.

• Aufbau und Skalierung von Cloud-Infrastruktur auf GCP zur Unterstützung einer SaaS-Plattform für Industriekunden
• Entwurf und Implementierung einer datengetriebenen DevOps-Pipeline für optimierte Deployments und CI/CD-Workflows
• Zusammenarbeit mit dem Data-Science-Team am MLOps-Workflow zur Automatisierung des integrierten Retrainings

• Konzeption eines LLM-basierten Agentensystems zur Steuerung der ERP-Software
• Entwicklung von Agenten-Workflows mit LangGraph und PydanticAI
• Planung der Schnittstellen zwischen Geschäftslogik und Sprachmodellen
• Planung der Agentenorchestrierung
• Prototypenentwicklung- und Demonstration

Werkzeuge: Python, Pydantic, React, LangChain, LangGraph, Linux

• Konzeption und Implementierung eines initialen Produktmanagement-Frameworks

• Schaffung eines Prozesses zur Priorisierung der Produkt-Roadmap mit internen Stakeholdern unter Berücksichtigung von Geschäftsauswirkungen, Ressourcen und technischer Machbarkeit

• Leitung der Migration zu einem Product-Discovery-Tool zur Verbesserung der Transparenz und teamübergreifenden Zusammenarbeit

• Funktion als Schnittstelle zwischen Tech- und Business-Teams

• Leitung datengestützter Nachhaltigkeitsprojekte für den größten Schlüsselkunden, einschließlich der Implementierung einer regulatorischen Berichterstattung (ISO 14083) über Treibhausgasemissionen

• Realisierung einer vollständigen Datenintegration über 20+ Quellsysteme, Koordination des Onboardings und Umsetzung der Geschäftsanforderungen in technische Spezifikationen für das Entwicklungsteam

• Verbesserung der Präzision der Emissionserfassung und -berichterstattung des Kunden durch Datenqualitätsanalysen und Identifizierung von Optimierungspotenzialen

Vom Rohdaten zum Feinschliff: Partizipative Design-Daten in stakeholdertaugliche Ergebnisse überführen

• Eine produktive Document-AI-Plattform mit Retrieval Augmented Generation (RAG) über 1.500+ partizipative Design-Artefakte entwickelt, um historische Projektanfragen mit fundierten Antworten zu beantworten.
• LLM-Evaluierung mit RAGAS, eigenen Bewertungsmetriken und Human-in-the-Loop-(HITL)-Validierungs-Workflows entworfen, um faktische Fundierung, Antwortqualität und Prompt-Performance zu bewerten.
• Ein Frontend mit React, TypeScript und D3.js für die interaktive Erkundung von KI-generierten Insights gebaut.
• Sicherheitsmechanismen und Guardrails für die LLM-Eingabeschicht implementiert, einschließlich PII-Redaktion und Filterung von vulgärer Sprache.

• Rolle: Software-Ingenieur & Angewandter Mathematiker (Mathematische Optimierung für Terminplanung; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: JuMP, Julia, Pluto, Svelte, JavaScript, TypeScript, JetBrains Space, Terraform, Nomad)

• Rolle: Software-, Cloud- & Web-Ingenieur (Aufbau eines skalierbaren Data-Science-Rechenclusters von Grund auf; Dauer: 11 Monate; Teamzusammenstellung: Team von 1, vor Ort; Technologien: Terraform, Kubernetes, k8s ingress, k8s services, k8s RBAC, k8s networking, k3s, etcd, S3, DNS, Zertifikate, Julia, Pluto, JavaScript, Tailwind, Astro, npm, Parcel, Preact, MUI, JWT, AWS SQS, AWS RDS, Python, GitLab, GitHub)

• Rolle: KI- & Web-Ingenieur (Individueller ChatGPT-Dienst; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: Python, Poetry, LangChain, Tailwind, ChatGPT API, Flask, FastAPI)

• Rolle: Architekt & Dateningenieur (Einrichtung und Befüllung eines zentralen Data Lakes; Dauer: 9 Monate; Teamzusammenstellung: Team von 5, remote; Technologien: Infrastructure-as-Code, AWS CDK, Python, Boto3, PySpark, AWS Glue, IAM, S3, ECS, Fargate, Lambda, Apache Hudi, DeltaLake, Databricks, GitHub, Jira, Miro)

• Rolle: Software-Ingenieur (PoC zur Migration von scikit-decide nach Julia; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: Python, Julia, GitHub)

• Entwicklung und Optimierung von LSTM-RNN- und Decoder-Transformer-Modellen zur Vorhersage der Fahrzeugtrajektorie bei Zielverlust im adaptiven Tempomatsystem, was eine 20% höhere Vorhersagegenauigkeit gegenüber den Basismodellen ergab.
• Entwicklung einer neuen Datenvorverarbeitungs-Pipeline aus realen Fahrversuchsdaten, Verarbeitung von Multisensor-Zeitreihendaten und Erstellung von über 300 Trainingsabschnitten.
• Implementierung einer bayesianischen Hyperparameteroptimierung und Anwendung physikalischer Beschränkungen, um ein Ausreißer-Verhalten des Modells zu verhindern, was zu 30% gleichmäßigeren Beschleunigungsprofilen führte.
• Erweiterung der bestehenden patentierten Technologie zur KI-gestützten Verbesserung der ACC-Funktion, basierend auf Vorarbeiten zur Leistungssteigerung des Netzwerks.
• Tools: Python, TensorFlow, Keras, Optuna, CarMaker

• Bewertung und Einstufung verschiedener Technologien als zukünftige Telematikplattform (Kafka Streams, Spark, Splunk, Snowflake)
• Verbesserung des Test-Frameworks und der Skalierbarkeit des Telematik-Streaming-Dienstes (Scala, Property-Based Testing, Kafka, Kafka Streams, Kubernetes)

• Innovativer Prompt-Ingenieur mit Expertise in der Erstellung und Verfeinerung von Prompts speziell für Informatik-bezogene Bilder.
• Versiert in der Entwicklung von Antworten, die das Verständnis visueller Daten durch Machine-Learning-Modelle im Informatik-Bereich verbessern.

• 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.

• Entwicklung von LLM-basierten Automatisierungs-Utilities, darunter strukturierte Reasoning-Pipelines, LLM-as-a-Judge-Bewertungstools und Multi-Model-Vergleichs-Frameworks.
• Aufbau von RAG-Pipelines für interne Forschungs-Workflows mit LangChain, ChromaDB und FastAPI, um semantische Suche und mehrstufiges Reasoning zu ermöglichen.
• Integration von LLM-Microservices in bestehende ML-Systeme mit Docker, FastAPI und GitLab CI/CD sowie reproduzierbare Deployment-Workflows.
• Entwurf von Inferenz-APIs, die Vision-Modelle und LLM-Reasoning für multimodale Analysen und Entscheidungsfindung kombinieren.
• Optimierung der embeddings-basierten Suche durch Pruning von Vektorspeichern, verbesserte Chunking-Logik und dynamische Retriever-Auswahl.
• Durchführung von Prompt Engineering und Feintuning der Systemanweisungen für Konsistenz, Robustheit und bessere Reasoning-Qualität.
• Erstellung von Benchmarking-Suites zur Bewertung von LLM-Latenz, Reasoning-Qualität, Retrieval-Genauigkeit und Robustheit unter verschiedenen Prompt-Templates.