Generative AI Experten in Nürnberg

• 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.

• Pionierarbeit in personalisierter KI: Entwicklung eines Frameworks für “Interaktiven Content” (RAG) für Romane, Vorlesungen, Expert Debriefing
• Erfolgreicher Launch von Einbug, dem Pantopia-Chatbot mit medialer Resonanz (SZ-Interview)
• Realisierung überzeugender KI-Persönlichkeiten: KI-Blog ([link] 100% personalisierte Lernumgebungen, Perry Rhodan u. a.

• Erfolgreiche Umsetzung von mehr als 40 KI-Projekten und 23 strategischen Beratungen für internationale Kunden (USA, Europa, Nahost) mit einer Erfolgsquote von 98% und dem Aufbau langfristiger Partnerschaften.
• Entwicklung und Bereitstellung produktionsreifer KI-Lösungen in den Bereichen Computer Vision, NLP, Deep Learning und Generative AI (LLMs, RAG-Pipelines, Stable Diffusion, OCR, Chatbots), wodurch Automatisierung ermöglicht und die Effizienz der Kunden um bis zu 70% gesteigert wurde.
• Entwicklung und Feinabstimmung großer Sprachmodelle (LLMs), einschließlich Prompt Engineering und Integration in Wissensdatenbanken von Unternehmen, was zu besseren Entscheidungen und weniger manuellem Aufwand führte.
• Entwicklung von Echtzeit-Anwendungen für Computer Vision (Erkennung, Segmentierung, OCR) und Integration in Geschäftssysteme, wodurch Genauigkeit und Skalierbarkeit deutlich verbessert wurden.
• Beratung von Start-ups und Unternehmen zu KI-Strategie, Architektur und Bereitstellung (Cloud und On-Premise), wodurch die Produktentwicklung beschleunigt und die Markteinführungszeit verkürzt wurde.
• Steuerung vollständiger KI-Projektlebenszyklen (Anforderungserfassung, Lösungsdesign, Bereitstellung, Support) in agilen, internationalen und funktionsübergreifenden Umgebungen mit Fokus auf qualitativ hochwertige Ergebnisse.

• Entwickelte einen maßgeschneiderten KI-Chatbot für einen E-Commerce-Kunden mit GPT-4 und LangChain inklusive RAG, wodurch das Volumen der Support-Tickets um 45 % sank und die Antwortgenauigkeit auf 92 % stieg.
• Entwarf und stellte ein System zur intelligenten Dokumentenverarbeitung mit LlamaIndex, Pinecone und FastAPI für ein FinTech-Startup bereit, das semantische Suche über mehr als 100.000 Finanzdokumente ermöglicht.
• Entwickelte Multi-Agenten-KI-Workflows mit CrewAI und LangGraph für eine Marketingagentur, automatisierte Lead-Recherche, Inhaltserstellung und Kontaktaufnahme — und sparte so über 20 Stunden manueller Arbeit pro Woche.
• Erstellte KI-gestützte Automatisierungspipelines mit n8n, Make und Zapier, integriert in CRMs (GoHighLevel, HubSpot), wodurch für ein Immobilienunternehmen die manuelle Dateneingabe um 80 % reduziert wurde.
• Beriet mehrere Kunden im Prompt-Engineering und bei der Feinabstimmung von LLMs, um KI-Modellausgaben für den Kundenservice, die Inhaltserstellung und die Datenextraktion zu optimieren.
• Erstellte produktionsreife REST-APIs mit Python und FastAPI zur Bereitstellung von KI-Modellen auf AWS und GCP und bewältigte dabei über 10.000 tägliche Anfragen mit 99,9 % Verfügbarkeit.

• Entwicklung eines Frameworks zur Generierung synthetischer Daten mithilfe von 3D-Simulation (NVIDIA Omniverse) und Generativer KI (Stable Diffusion) zur Modellierung und Erweiterung industrieller Oberflächenfehler.
• Training und Evaluierung von Computer-Vision-Modellen (YOLO, DETR) mit einer Detektionsgenauigkeit von 94% bei realen Proben sowie erfolgreicher Übertragung von der Simulation auf die Realität.
• Anwendung von Domänenanpassung zur Verbesserung der Übertragung von der Simulation auf die Realität, wodurch skalierbare industrielle KI für die automatisierte Qualitätsprüfung ermöglicht und Produktionsausfallzeiten reduziert wurden.

• 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.

• Intentgesteuerter Ansatz, um alle Modelle und Baureihen dieses Automobilherstellers in allen Absatzmärkten zu konfigurieren
• Entwicklung einer kundenorientierten, dialoggesteuerten Integrationsschicht, um 100% halluzinationsfreie technische Konfigurationen zu erreichen
• Einsatz folgender Microsoft Azure AI Services: AI Foundry, Agent Service, AI Search; Prompt Shield Services; Content Security; Terraform; API Gateway; AI Gateway; Container Services; Azure Agent SDK; Agent Skills; RAG; MCP-Server und Tools

• Entwicklung eines RAG-Systems zur Automatisierung von Studierendenanfragen mit 96 % Genauigkeit, erstellt mit FastAPI und LangChain und auf dem Universitätsserver mit Docker bereitgestellt.
• Bewertung der Leistung mit RAGAS durch den Vergleich von LLMs (Llama3.3, Llama3.1, GPT-4o-mini), Vektor-Embeddings und verschiedenen Retrieval-Techniken innerhalb der RAG-Pipeline.
• Technische Skills: Python, FastAPI, Docker, AWS, LangChain, LangSmith, NLP, HTML, CSS