ggplot2 Experten in Deutschland

• Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
• Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
• Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
• Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
• Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
• Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
• Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
• Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
• Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.

Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest

• Nutzung von OpenCode und AI-gestützter Softwareentwicklung zur Konzeption, Implementierung, Überarbeitung, Prüfung und Dokumentation einer durchgängigen RAW/SDTM/ADaM-Pipeline in R für Dr. Falk Pharma (07/2026), einschließlich metadatenbasierter Transformationen, automatisierter Validierungsregeln und QC, Rückverfolgbarkeit sowie reproduzierbarer klinischer Outputs.

• Entwickelte und implementierte ein robustes, in Python basiertes Datenverarbeitungs-Framework, das den Wechsel von R zu Python ermöglichte und die Produktivität im Data Science deutlich steigerte, indem es wartbare, standardisierte Module für häufig genutzte Workflows bereitstellte und Coding-Best-Practices sowie DevOps-Prinzipien anwandte
• Bewertete, trainierte und implementierte Machine-Learning-Modelle auf Cloud-Plattformen und Edge-Geräten, wodurch vollständig automatisierte Midinfrared-(MIR)-Datenbewertungspipelines entstanden, die manuelle Analyseschritte überflüssig machten und die Zeit von der Messung bis zur Vorhersage für Kunden und interne Stakeholder deutlich verkürzten
• Analysierte und interpretierte multivariate MIR-Spektraldaten des firmeneigenen Analysators mit R und Python und unterstützte so die zuverlässige Identifizierung und Quantifizierung von chemischen Verbindungen in Lösungen

• Prototypische Entwicklung eines LLM/RAG-Dokumentenassistenten; Training mit Transkriptomik- und Proteomik-Daten; Einsatz von Git/Docker für Reproduzierbarkeit.
• Vertiefung der ML-Grundlagen für Omics (Feature Engineering, Validierung, Leakage-Kontrolle).

• Entwicklung & Deployment eines interaktiven Dashboards, das es Benutzern ermöglicht, Datensätze zur visuellen Analyse auszuwählen.

• Die Anwendung unterstützt Filter, KI-basierte Interpretationen und einen Chatbot für Benutzerinteraktionen.

• shiny, openai, mirai, plotly, mapgl, duckdb, AWS, ShinyProxy, Docker Swarm

• Entwarf End-to-End-Kreditrisiko-Pipelines durch Orchestrierung von Airflow-ETLs und Training von LSTMs/Transformern, um Ausfall- und vorzeitige Rückzahlungsraten auf MBS-Portfolios vorherzusagen.
• Entwickelte Deep-Learning-NLP-Lösungen mit BERT und LayoutLM für die Dokumentenverarbeitung und nutzte Transfer Learning sowie benutzerdefinierte PyTorch-Loss-Funktionen, um Underwriting zu automatisieren.
• Optimierte F&E-Zyklen durch Bayessche Tuning, Batch-Normalisierung und MLflow-Tracking, um eine robuste Modellleistung während volatiler Hypothekenmarktzyklen sicherzustellen.
• Produktionsreife MLOps-Infrastruktur mit Docker und INT8-Quantisierung bereitgestellt und latenzarme FastAPI-Mikroservices auf AWS SageMaker mit automatisierten CI/CD-Pipelines ausgerollt.
• Gewährleistung regulatorischer Compliance durch Integration von SHAP/LIME für Erklärbarkeit und Einrichtung eines Echtzeit-Data-Drift-Monitorings, um strenge FHFA- und Fair-Lending-Standards zu erfüllen.

• Skripte für Web-Scraping entwickelt, um über 5000 Produktdaten von der Zalando-Website zu extrahieren und zu parsen.
• ETL-Prozesse mit Apache Spark in CDSW durchgeführt, die Daten in das Hadoop-Ökosystem (HDFS) geladen und mit Hive sowie Impala verwaltet.
• Machine-Learning-Algorithmen implementiert und eine Genauigkeit von 85–90 % bei der mehrklassigen Produktklassifikation erzielt.
• Produkt- und Preisdaten von Zalando in Dashboards mit Otto und Takko integriert, um interaktive Visualisierungen zu erstellen.

• Trainieren von Machine-Learning-Modellen für unterschiedliche Zwecke.
• Programmierung mit Sprachen wie R und Python, je nach Projektanforderungen.
• Entwicklung, Test und Wartung von R-Shiny-Anwendungen für die Halbleiter-Wafer-Fertigung.
• Dokumentation von Code, Projektanforderungen, Designentscheidungen und Entwicklungsprozessen.
• Durchführung von Integrationstests und Debugging, um die korrekte Funktion der Software zu gewährleisten.
• Programmierung, Debugging und Einhaltung von Qualitätsstandards für reibungslose Abläufe.
• Einsatz von Git und GitHub zur Verwaltung von Änderungen und effizienten Zusammenarbeit mit Entwicklern.
• Einsatz von Docker und Jenkins zur Containerisierung von Anwendungen.
• Aktuelle Tools, Technologien und Best Practices in der Softwareentwicklung verfolgen.
• Unterstützung im MES (Manufacturing Execution System).
• Einbindung in Projektmanagement, z. B. Priorisierung von Aufgaben und Zeitplanung.
• Wartung und Optimierung der bereitgestellten Apps.