Feature Engineering Experten in München

• Es ist wie ein Start-up innerhalb von REWE, wo wir von Grund auf ein neues Prognosesystem auf der Google Cloud Platform aufbauen müssen. Offiziell heißt meine Rolle MLOps, aber meine eigentlichen Aufgaben umfassen auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) sowie Aufgaben von Data Scientists wie Feature Engineering und Modelltraining.
• GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
• Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT für die Implementierung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert

• Entwickelte und implementierte eine vollständige Machine-Learning-Pipeline zur Kundenabwanderungsprognose auf Basis des Telco-Datensatzes.
• Wandte Vorverarbeitungstechniken an, darunter Behandlung fehlender Werte, kategoriale Kodierung, Feature Scaling und PCA.
• Baute und verglich über 15 Modelle (Logistic Regression, Random Forest, XGBoost usw.) und bewertete sie anhand von Accuracy, Precision, Recall, F1-Score, ROC-AUC und PR-AUC.
• Stimmte Hyperparameter mit GridSearchCV ab und erreichte 80,6 % Accuracy mit Random Forest und XGBoost.
• Erstellte visuelle Berichte (Balkendiagramme, Heatmaps, Radardiagramme), um die Modellleistung und die Abwanderungstreiber zu interpretieren.
• Exportierte wiederverwendbare Pipelines und trainierte Modelle mit joblib für die Bereitstellung.

• Entwickelte KI-gestützte Geschäfts- und Marketingstrategien für globale Kunden in verschiedenen Branchen.
• Unterstützte kleine Unternehmen und Gründer bei der Erstellung von Social-Media-Inhalten, Webdesign, UX/UI-Optimierungen und digitalen Marketingstrategien.
• Automatisierte Analyse-Workflows und entwickelte Dashboards zur Überwachung von Kampagnenleistung und Engagement-Kennzahlen.
• Half Kunden, ihre digitale Präsenz zu verbessern, indem kreatives Storytelling mit messbaren Insights kombiniert wurde.
• Beriet zur Integration von KI in Marketingprozesse, um Produktivität und kreative Effizienz zu steigern.

• Lead-Architekt für die Gestaltung und Umsetzung des Data Lake und der ETL-Pipeline mit dem AWS-Stack
• Leistungsoptimierung der Datenaufnahme der ETL-Pipeline
• Entwicklung der Datenvalidierung mit Great Expectations
• Leitung der Datenmigration für zwei Quellsysteme
• Datenmodellierung in AWS Redshift

MLOps

• Implementierung der Modell-Inferenz mit mlflow und AWS SageMaker
• Feature Engineering für die laufenden ML-Modelle (Recommender Engineer, Clustering)
• Implementierung von Model Registry und Artifactory mit mlflow
• Historisierung und Profiling der Eingabedaten mit AWS Glue Crawler und AWS Data Catalog
• Feature Importance mit mlflow

Tech. Stack: Python 3, AWS Glue, AWS Step Function, AWS Lambda, AWS EventBridge, AWS IAM Role, AWS SageMaker, AWS EC2, AWS Glue Crawler, AWS CloudWatch, MLFlow, ETL, Data Lake, GitHub Action, Terraform, Jenkins, Ansible Playbooks (Infrastructure as Code), CI/CD, GitLab, SQL, PySpark, Scrum, Agile, Jira, Big Data, VSCode, DBeaver, MSSQL, MySQL, Grafana, Docker, Linux, Bash, MapReduce, Datenmodellierung (ORM), Pandas, YAML, SQL-Alchemy

• Generierte synthetische Datensätze für CXR, Mammografie und die Erkennung distaler Radiusfrakturen mit GANs und Diffusion und erstellte >50k synthetische Bilder für Benchmarking.
• Sicherung DSGVO-konformer Workflows und Reproduzierbarkeit, sodass der Datensatz für interne Validierung und akademische Zusammenarbeit genutzt werden konnte.
• Projekt im internen F&E-Showcase von MedTank als Vorzeigeinitiative für synthetische Daten hervorgehoben.

• Entwickelte Energieschätzmodelle, um den Stromlade- und Wasserstoffbetankungsbedarf an Lade- und Tankstellen für Logistik-Lkw in Deutschland zu ermitteln.
• Schätzte die zukünftige Güterverkehrsnachfrage in Deutschland mithilfe eines hausinternen Verkehrsbedarfsmodells.
• Entwarf ein Netzwerk aus Stromlade- und Wasserstofftankstellen auf Basis der Ergebnisse des Verkehrsmodells und unterstützte so die datenbasierte Infrastrukturplanung.

• Aufbau skalierbarer End-to-End Machine-Learning-Pipelines für ein großes Telekommunikationsunternehmen, einschließlich Feature Engineering, Modellentwicklung, Deployment und einer Streamlit-Visualisierungs-App.
• Einführung und Integration von Data Science im Customer Experience Team, tägliche Zusammenarbeit mit Stakeholdern zur Bereitstellung von End-to-End-Lösungen; unter meiner fortlaufenden Betreuung blieb die Kundenzufriedenheit (NPS) stabil bei einem Rekordwert von über 30 Punkten.
• Beratung eines Kunden zu Generative-KI-Tools, KI-Entwicklungsstrategien und verantwortungsvollem KI-Einsatz, Mitgestaltung interner Adoptions- und Governance-Ansätze.