Fine-Tuning Experten in Berlin

• Neue Benachrichtigungsplattform von Grund auf entwickelt und bestehende sowie geplante Services ersetzt
• Zusammenarbeit mit anderen Teams zur Integration weiterer Bereiche

Tech-Stack:

• Daten: Scala 3, Apache Kafka, Python, Airflow, Astronomer
• Backend/Frontend: TypeScript, NestJS, Java, Spring Boot, Vue
• DevOps: AWS, PostgreSQL, Docker, GitHub Actions, Kubernetes, Helm, ArgoCD

• KI- und Data-Science-Lösungen geliefert, darunter LLM-basierte Chatbots und Datenpipelines, wodurch die operative Effizienz verbessert wurde.
• An Produktfunktionen mitgearbeitet, messbare Wirkung erzielt und starke Kundenbeziehungen gepflegt.

• Agierte als technischer Berater zur Optimierung von mehrschichtigen Ensemble-Modellen, die ResNet, CNN-BiGRU-Attention und XGBoost kombinierten.
• Begleitete die Umsetzung eines Logistic-Regression-Meta-Lerners zur Lösung von Klassenungleichgewichten und erreichte 92,86 % Genauigkeit und einen AUC-Wert von 0,9644 auf den Datensätzen PTB-XL und Chapman-Shaoxing.

• Vollständige Automatisierung des Softwareentwicklungsprozesses: Ticket-Analyse → KI-Coding-Agenten → Pull Request → automatisiertes Code-Review → Deployment
• Multi-Tenant-Architektur mit 82 Datenbankmodellen und Echtzeit-WebSocket-Monitoring
• Integration von 40+ KI-Tools mit Claude & GPT
• Tech-Stack: React, TypeScript, Express.js, PostgreSQL, Redis, BullMQ
• Plattform produktiv im Einsatz mit zahlenden Kunden

• Gründungsversuch mit einer Plattform für Karriereentwicklung und Personalcoaching
• Top-3-Platzierung beim Businessplan-Wettbewerb Berlin-Brandenburg
• Eigenständige Marktanalyse sowie User Research
• Aufbau eines umfassenden Wissensgraphen für Rollen, Fähigkeiten und Erfahrungen
• Datentransformation und Aufbau von Datenpipelines auf Azure

• Definition und Umsetzung der End-to-End-Vision für Allrides Kern-Mobilitätsprodukt und Launch einer voll funktionsfähigen iOS- und Android-App in weniger als 3 Monaten.
• Führung des Produkts von 0 auf 1 durch Erstellung der Roadmap, Abstimmung der Teams und Umsetzung zur Erfüllung der Nutzerbedürfnisse und Geschäftsziele.
• Aufbau eines gestuften S/M/L/XL-Abonnementmodells basierend auf der Mobilitätsnutzung und Einführung des ersten MVP mit integrierten Belohnungen und Coupons zur Förderung der wiederkehrenden Pläne von Allride.
• Gestaltung und Implementierung eines Referral-Programms mit hoher Konversionsrate, das sowohl Empfehlende als auch Geworbene belohnte und 12 % der neuen Nutzergewinnung durch organische Wachstumszyklen erzielte.
• Entwicklung und Einführung von Allride for Work, einer B2B-Mobilitätsbenefit-Lösung, die Unternehmen ermöglichte, nachhaltige Pendelpläne für Mitarbeiter anzubieten, wodurch die Unternehmensakzeptanz stieg und ein neuer wiederkehrender Umsatzstrom erschlossen wurde.
• Abstimmung der Produktinitiativen auf nachhaltige Mobilitätsziele, was zu schnellem Wachstum und erster Medienberichterstattung beitrug.

• Aufzeigen von Visionen
• Reengineering von Organisationen und Managementstrukturen
• Talent-Coaching
• Management-Unterstützung
• Marketing- und Vertriebsplanung
• Aufbau von Kundenbeziehungen (CRM)
• Beurteilung von Operationen und deren Prozessoptimierung
• Unternehmensinternes Kultur-Coaching

• Entwarf ein kompaktes Framework zur Generierung von Prompt-Antwort-Sets für CRM-Lifecycle-Szenarien (Onboarding, Aktivierung, Retention, Reaktivierung).
• Umfasste adversariale Varianten (ambivalente Anfragen, widersprüchliche Anweisungen, Richtlinienfallen).
• Erstellte eine Bewertungsrubrik für Fakten, Ton und Kohärenz.
• Entwickelte eine schlanke Richtlinie zur Abstimmung von Annotatoren und Lösung von Meinungsverschiedenheiten.

• 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.

• Bewertete 45+ KI-Anwendungsfälle und entwickelte einen Priorisierungsrahmen für die interne KI-Roadmap von Siemens.
• Testete interne Tools wie DRIM, SiemensGPT und Microsoft Copilot; präsentierte die Evaluationsergebnisse den Stakeholdern.
• Identifizierte Leistungslücken und steigerte die Tool-Akzeptanz um 65 %.
• Unterstützte Wissensaustauschinitiativen zu KI, leitete Onboarding-Sessions für Tools und verbesserte die KI-Kompetenz im Team.
• Arbeitete mit den Abteilungen Engineering, Einkauf und Digital zusammen, um Feedback zu Tools zu sammeln und die Strategie abzustimmen.

• Aufbau eines KI-Forschungsassistenten mit RAG, LangChain, LangGraph und OpenAI-LLMs in Kombination mit Vektorsuche; Forschungszeit um 30% reduziert.
• Entwicklung maßgeschneiderter Retrieval-Workflows mit LlamaIndex und einem ReAct-Style-Agenten für dynamisches Chunking; Abfragegenauigkeit um 18% verbessert.
• Untersuchung und Optimierung von Embedding-Strategien, wodurch die Abrufkosten pro Anfrage um 15% gesenkt wurden.
• Entwicklung von RAG-Bewertungsframeworks mit RAGAS und Langsmith anhand eigener Datensätze; Abdeckung um 40% gesteigert.
• Feintuning von LLMs (LLaMA 2 auf Vertex AI mit eigenen Inferenz-Containern, dynamischem Batching und Quantisierung); Latenz der Inferenz um 25% verringert.
• Integration von KI-Agenten in LangGraph mit Kurz- und Langzeitspeicher (Mem0); Abschlussquote der Aufgaben um 20% erhöht.
• Erstellung schema-bewusster Generatoren für synthetische Daten; Feintuning nachgelagerter Modelle mit +12% F1-Score.

• Entwarf und entwickelte Bildklassifikationsmodelle für Computer-Vision-Aufgaben, einschließlich Datensatzerstellung, Vorverarbeitung, Validierung und Visualisierung; wandte Machine-Learning- und Deep-Learning-Techniken an, um Genauigkeit und Leistung zu optimieren.
• Führte Experimente mit geeigneten ML-Algorithmen, LLM-basierten Ansätzen und Tools durch; führte statistische Analysen, Hyperparameter-Tuning und Feintuning anhand der Testergebnisse durch, um eine robuste Modellleistung zu gewährleisten.
• Entwickelte und optimierte CRUD-APIs mit Node.js (Fastify) und Flask (Python), verbesserte die Latenz und sicherte die Skalierbarkeit.
• Implementierte Backend-Lösungen mit SQLAlchemy für das Datenbankmanagement und automatisierte Workflows mithilfe von Cron-Jobs und AWS Lambda-Funktionen.
• Erfahren in der Implementierung und Wartung von CI/CD-Pipelines zur Optimierung von Deployments und zur Gewährleistung einer zuverlässigen Softwareauslieferung.
• Erreichte durchgängig Servicezeit- und Qualitätsziele und pflegte dabei starke, kollaborative und professionelle Arbeitsbeziehungen im Team.

• Hybride semantische und schlüsselwortbasierte Suche sowie LLM-basierte Anforderungs­extraktion aus Konversationsanfragen entwickelt, die Suchgenauigkeit um 85 % gesteigert, Suchen ohne Treffer um 70 % und die Suchzeit um 60 % reduziert.
• Produktionsreife API mit Monitoring-Dashboards für über 100.000 Produkte bereitgestellt, Antwortzeiten unter 2 s gehalten und die Zeit von Suche bis Kauf um 40 % verkürzt.
• Technologien: Python, BGE-M3, Qwen2.5, FastAPI, Qdrant, Meilisearch, Docker, Prometheus, vLLM.

Softwareentwicklung (Full-Stack): Java, Spring, JPA, PostgreSQL, REST, Angular, HTML, Typescript, Python, C++, C, Embedded C++, SQL, Apache Camel

Anforderungsmanagement: Spezifikation, UML-Modellierung (Domänenmodell, Zustandsdiagramme, Geschäftsprozesse, Anwendungsfälle), User Stories, Testspezifikation

Projektmanagement: agil mit Scrum (Backlog, Sprint, Retrospektive etc.), klassisch mit WBS, GANTT etc.

KI/ML: Datenqualitätsprüfung/-bereinigung, Vor- und Nachverarbeitung, Feinabstimmung, Hugging Face, PyTorch, Übersetzungs-KI