Foundation Model Experten in Deutschland

• Titel: Verbesserung des syntaktischen Bewusstseins in Transformer-Sprachmodellen für das Hindi-Dependency-Parsing
• Untersuchung des syntaktischen Wissens, das Transformer-Sprachmodelle (RoBERTa, XLM-RoBERTa) für das Hindi-Dependency-Parsing erfassen, einer morphologisch reichhaltigen und ressourcenarmen Sprache.
• Entwicklung strukturbewusster Modellvarianten (Struct_Roberta_hi, Struct_XLMR) durch Integration eines CNN-basierten Parser-Netzwerks zwischen den Transformer-Schichten, inspiriert von der StructFormer-Architektur.
• Durchführung umfangreicher Fehleranalysen einschließlich Auswertungen nach Label, Distanz, Richtung, Satzlänge sowie LVC/Non-LVC.
• Evaluierung der Modelle bei nachgelagerten NLP-Aufgaben (NER, POS-Tagging) unter Verwendung des IndicXTREME-Benchmarks.

• Hatte direkte Linienverantwortung für ein Team von 4 Platform Engineers — inklusive Hiring, Performance Reviews und Karriereentwicklung — und habe dabei einen gemeinsamen Rahmen für Engineering-Standards sowie eine Coaching-Kultur aufgebaut, die die Delivery über Kundenprojekte hinweg beschleunigt hat.
• Habe ein Team von Engineers geführt, um ein cloud-natives Voice-AI-System für einen großen Inspektionskunden zu entwerfen. Damit konnten 2.500 Außendienst-Inspektoren ihre Arbeit komplett freihändig per Echtzeit-Transkription und AI Agents dokumentieren — manuelle Dateneingabe über 440.000 Inspektionen pro Monat wurde eliminiert und die Kosten pro Nutzer von 9 $ auf 1 $ gesenkt. Stack: AWS (DynamoDB, S3, Transcribe, CloudFront, API Gateway, Bedrock), ElevenLabs, Claude.
• Habe ein Team von Engineers geführt, um das Management von Kubernetes-Clustern über mehrere Regionen für einen globalen SaaS-Marktführer zu automatisieren. Dadurch sank die Bereitstellungszeit von 3 Wochen auf unter einen Tag und 90 % der Konfigurationsfehler wurden eliminiert. Stack: EKS, Terragrunt, Python, Bash, ArgoCD.
• Accelerator - Cloud-agnostische KI-Plattform: Ich habe eine cloud-agnostische, Kubernetes-native Plattform als Accelerator entworfen und ausgeliefert. Damit wurde das Multi-Tenant-Management von selbst gehosteten LLMs im Enterprise-Maßstab ermöglicht, inklusive gleichzeitiger Bereitstellung mehrerer Basismodelle und dynamischem Serving von LoRA-Adaptoren. Ich habe die Produktionsinfrastruktur mit Open-Source-Tools (ArgoCD, Karpenter, vLLM, SGLang) entworfen, inklusive automatisiertem Modell-Lifecycle-Management, API-Security (Keycloak + LiteLLM) und kostenoptimierter GPU-Bereitstellung.

Mitgründung eines KI-nativen Startups für Sprachenlernen sowie Definition der Produktvision, KI-Architektur und technischen Roadmap. Entwicklung und Aufbau des KI- und Backend-Stacks einschließlich Pipelines zur Feinabstimmung von LLMs, individueller agentischer Workflows und skalierbarer Inferenzinfrastruktur. Das erste Produkt befindet sich derzeit in einer privaten Betaphase.

• Einführung in KI und Automatisierung
• Das Automatisierungsprojekt
• Make.com Foundations
• Automation Basics: Datenmanagement
• Workflows dokumentieren, Fehler beheben und Reports automatisieren
• Exkurs: Daten als Grundlage von KI-Systemen
• Implementierung von KI-Lösungen in der Praxis
• Exkurs: Large Language Models (LLM's)

• Leitung von KI-Initiativen für Life-Science-Lösungen, Integration fortschrittlicher KI-Modelle in Unternehmens-Workflows und Sicherstellung einer nahtlosen Bereitstellung.
• Entwerfen und Implementieren von Deep-Learning-Architekturen (PyTorch, Keras) für komplexe biomedizinische Herausforderungen, einschließlich Zellsegmentierung, multimodaler Omics-Analyse und Prognose von Punktwolken.
• Entwicklung und Bereitstellung robuster LLM-basierter Systeme, einschließlich RAG-Architekturen und agentischer Workflows mit LangGraph, um natürlichsprachige Interaktion mit komplexen medizinischen Daten zu ermöglichen.
• Führung funktionsübergreifender Initiativen zur Anwendung von Foundation Models und erklärbarer KI (xAI) in klinischen und evolutionären Algorithmen.

Konzeption und Umsetzung eines KI-Telefonassistenten, der eingehende Anrufe rund um die Uhr automatisiert bearbeitet und an die zuständigen Mitarbeitenden übergibt - inklusive Auswertungs-Dashboard.

• Hauptforschung:
• Entwicklung eines kompakten (<700 Mio. Parameter) generativen Vision-Language-Modells für Whole Slide Images (WSI) durch Optimierung der Bild-Tokenisierung.
• Aufbau eines verbesserten Bewertungsrahmens, einschließlich eines kuratierten Frage-Antwort-Datensatzes und der Auswahl geeigneter Metriken.
• Vorbereitung für die Einreichung.
• Zusammenarbeit:
• Forschung zur Entdeckung digitaler Biomarker in der computergestützten Pathologie (CPath) mit KI-Methoden.
• Zusammenarbeit an Projekten mit internationalen Partnern, darunter das Francis Crick Institute (Vorhersage molekularer Biomarker beim Clear-Cell-Renalkarzinom), HeCOG Griechenland (Identifikation des Lynch-Syndroms beim Kolonkarzinom und multimodale Überlebensvorhersage beim Prostataadenokarzinom) sowie das National Cancer Center Hospital Japan (HIBIRD).
• Die Arbeit mit dem Francis Crick Institute wird derzeit für die Einreichung vorbereitet. Die gemeinsame Arbeit in Japan wurde bereits veröffentlicht, und die HeCOG-Projekte laufen noch.
• Konsortium:
• Steuerung der Zusammenarbeit zwischen den Institutionen und der Ziele als KatherLab-Vertreter für das LiSYM-Konsortium.
• Lehre:
• Zwei Jahre lang Online-Workshop-Sessions beim Clinicum Digitale durchgeführt und dabei Ärztinnen und Ärzte sowie Medizinstudierende in den Grundlagen von KI und Python geschult.
• Einen Workshop zu multimodalen Foundation Models bei der AI in Cancer Research Summer School in Korfu geleitet, organisiert im Rahmen von ESAC.
• Einen Vortrag über Vision-Language-Modelle bei der AI in Medicine Summer School gehalten, einer gemeinsamen Veranstaltung von EKFZ, GENIAL, dem TransformLiver Consortium und ESAC.

• 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

• Konzipiert, entwickelt und weiterentwickelt ein Applied-KI-MVP, das ausführliche Audio-Interviews mithilfe agentenbasierter Orchestrierung und mehrstufigem Reasoning in strukturierte, langformatige Erzählformate über verschiedene Genres (z. B. Memoiren, institutionelles Wissen, thematische Essays) umwandelt.
• Zentrale Workflows in einem Next.js-Stack entworfen und implementiert, mit strukturierten Repräsentationen (JSON und andere Formate), Retrieval-gestützter Generierung und entstehenden Knowledge-Graph-Strukturen, um Kontext und Konsistenz über lange Dokumente hinweg zu wahren.
• Agentenverhalten in realistischen Erzählszenarien definiert und getestet, einschließlich idealer Nutzerpfade, Randfälle und Fehlerzustände, mit expliziten Kriterien für Kohärenz, faktische Übereinstimmung und Erfüllung der Nutzerabsicht.
• Führe derzeit gezielte Nutzertests mit ausgewählten Partnern durch, um Anwendungsfälle zu validieren und die nächsten Produktiterationen zu informieren.

• Entwarf ML-fähige Datenintegrations-Workflows zwischen On-Premise-Systemen und Cloud-Plattformen (Snowflake, AWS Redshift, Azure) und ermöglichte so skalierbares Feature Engineering und Deployment von Modellen
• Implementierte automatisierte ML-Pipeline-Bereitstellung mit Python, SQL und CI/CD-Tools und reduzierte die Modellbereitstellungszeit um 60 %
• Entwickelte Logik zur Datenumwandlung für die Stammdatensynchronisation zwischen ERP- und Analysesystemen und sicherte so die Datenqualität für prädiktive Modelle
• Arbeitete mit funktionsübergreifenden Teams zusammen, um Geschäftsanforderungen in mathematische Spezifikationen für ML-Lösungen zu übersetzen

• Entwicklung einer automatisierten Pipeline zur Modellebewertung, mit der LLMs einander auf Ausrichtungsprobleme prüfen können
• Umsetzung eines RAG-Systems mit iterativer Kreuzprüfung für verlässliche Ergebnisse
• Automatisierte Erstellung schriftlicher Zusammenfassungen und Hypothesen zur Unterstützung schneller Iterationen und Hypothesentests

• Konzipierte und implementierte ein agentenbasiertes KI-System für den automatisierten B2B-Solarvertrieb mit mehrstufigen Workflows, einschließlich Planung, Memory und Leitplanken
• Führte ein funktionsübergreifendes Team, um ein Produktivsystem termingerecht und regelkonform einzuführen
• Setzte Wissensgraphen und SQL ein
• Tech: LangChain, Pydantic AI, OpenAI-/Anthropic-APIs, FastAPI, Neo4j, GNNs, strukturiertes Reasoning, relationale Daten, SQL, Pandas, NumPy

• Leitung der technischen Umsetzung mehrerer KI-Produkte für Unternehmen, einschließlich der Definition der Softwarearchitektur, der Leitung verteilter Entwicklungsteams aus ML- und Software-Ingenieuren sowie der Koordination der Umsetzung mit Führungskräften.
• Entwicklung und Umsetzung von 5+ produktionsreifen KI-Produkten in den Bereichen Maschinelle Übersetzung, Sprach-KI, Dokumenten-KI, Conversational AI und KI-Qualitätsbewertung.
• Aufbau einer mehrsprachigen Plattform für maschinelle Übersetzung mit über 550 produktionsreifen Modellen zur automatisierten Übersetzung von Dokumenten und Geschäftsinhalten in mehr als 40 Sprachen.
• Aufbau produktionsreifer Conversational-AI-Plattformen unter Verwendung selbst gehosteter Large Language Models (Qwen) mit RAG-Pipelines, Prompt Engineering, Tool Calling und sicheren Enterprise-Deployments für interne Wissensassistenten und kundenorientierte Chatbots.
• Entwicklung von KI-Orchestrierungsframeworks zur dynamischen Auswahl von Foundation Models sowie zur Optimierung von Qualität, Latenz, Robustheit und Kosten produktiver KI-Systeme.
• Entwicklung automatisierter Evaluierungs- und Monitoring-Pipelines zur kontinuierlichen Qualitätsbewertung von Conversational-AI-Systemen, Sprach-KI und Large Language Models.

• Entwerfen und Implementieren einer durchgängigen Pipeline auf Basis von Siemens NX, um OBJ-CAD-Modelle in Graphdarstellungen zu konvertieren, durch KI-gesteuerte Gruppierung von Netzflächen zu Knoten und Flächenbenachbarungen als Kanten, um die GNN-Integration zu optimieren
• Erzeugen eines groß angelegten synthetischen 3D-CAD-Datensatzes, Annotieren von Bauteilen mit einigen MFCAD-ähnlichen Merkmalen, um ausgewogene, vielfältige Trainingsdaten für GNN-Workflows zu gewährleisten
• Unterstützung beim Entwurf, Training und der Evaluierung von Graph-Neural-Network-Architekturen für KI-gestützte Erkennung und Klassifizierung geometrischer Merkmale in 3D-CAD-Formen, um Feature-Erkennungs-Workflows zu beschleunigen