Google Colab Experten in Deutschland

• Bewertet und analysiert ein kamerabasiertes Verkehrslicht- und Verkehrsschild-Erkennungssystem in verschiedenen auf LLM basierenden autonomen Fahrsystemen (LMDrive, BEVDriver)
• Implementiert eine VLM-basierte Einheit zur Generierung von Verkehrshinweisen für ein geschlossenes autonomes Fahrsystem, die den Fahrer bei unvorhergesehenen Vorfällen warnt
• Entwickelt einen eigenständigen, LLM-basierten lokalen Chatbot mit Llama, DeepSeek und Qwen inklusive MLflow-Evaluierungsframework

• 145 Std.
• Beratung und Evaluierung zur Ablösung des bestehenden d.velop Langzeitarchives (ca. 36 TB) in eine kostengünstigere schreibgeschützte Archiv-Lösung
• d.velop DMS, Azure, NetApp SnapLock, iTernity iCAS
• Technische und logische Beratung, wie ein zukünftiges Archivsystem kostengünstig aufgebaut werden kann.

• Entwickelte eine auf GPT basierende Pipeline für synthetische Daten, die die Beschaffungskosten und Durchlaufzeiten um mehr als die Hälfte reduzierte.
• Modellierte Nutzerverhalten in unterrepräsentierten Gruppen mithilfe von Prompt-Workflows und statistischer Validierung.
• Bewertete die Realitätsnähe der Daten durch Cluster-, Regressions- und Divergenzanalyse.
• Lieferte reproduzierbare Python-Workflows zur Automatisierung von Experimenten in einem agilen Umfeld.
• Übersetzte analytische Ergebnisse in klare Erkenntnisse für Content- und Strategie-Teams.
• Technologien und Fähigkeiten: Python, generative KI, GPT, maschinelles Lernen, explorative Datenanalyse, agile Methoden, GitHub, Cloud-Computing, Halluzinationsanalyse.

• Veröffentlichung eines peer-reviewten Artikels zur vergleichenden Analyse biophysikalischer Modelle in der Diffusions-MRT, der laufende Forschungsprojekte beeinflusst hat.
• SciPy wurde für das Titelbild der entsprechenden Journalausgabe ausgewählt.

• Entwickler individuell im Live-Coaching unterstützen, um Pro-Level Apache-Spark-Engineers auszubilden
• Mehrtägige, zugeschnittene Apache-Spark-Workshops für Entwicklungsteams organisieren und durchführen
• Technische Lerninhalte auf einem selbstgehosteten Blog, YouTube und in sozialen Medien erstellen

• Masterarbeit mit dem Titel "Bestimmung der sozioökonomischen Resilienz gegenüber Hochwasserereignissen mittels maschinellen Lernens" im Rahmen des HERAKLION-Projekts. Vorhersage ökonomischer Schäden nach Hochwasser auf Basis eines Datensatzes mit 269 Stichproben und 182 Merkmalen.
• Entwicklung und Vergleich von XGBoost, SVR und KNN unter Verwendung von Python, scikit-learn, Pandas und GeoPandas.
• Erzielte eine Verbesserte Genauigkeit um 15–20 % mit XGBoost; Bewertung der Modellinstabilität und der Auswirkungen der Datenverteilung.
• Identifikation zentraler Datenprobleme wie hohe Zielgrößenvariabilität und schwache Korrelationen; Untersuchung des Einflusses von K-Means-Clustering.

• Leitung eines Teams von Junior Research Engineers, mit Mentoring, technischer Anleitung und Unterstützung ihrer beruflichen Entwicklung, um ihr Wachstum im Bereich Deep Learning und Machine Learning Engineering zu fördern.

• 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.

• Praxisorientiertes Coaching zu Kernaspekten der Data Science
• Vermittlung fortgeschrittener Konzepte in Python sowie Automatisierung (mit Make und n8n) und ETL-Prozesse mit Apache Airflow
• Wöchentliche Vorbereitung und Durchführung von praxisorientierten Kursen zur Programmierung anhand realer Beispiele
• Förderung praktischer Programmierkenntnisse bei Teilnehmenden durch interaktive Übungen und individuelle Betreuung
• Entwicklung didaktischer Materialien und Anpassung der Inhalte an den Kenntnisstand der Teilnehmer
• Enge Zusammenarbeit mit dem Team zur kontinuierlichen Verbesserung der Kursqualität und Lernerfolge

• Bewertete Suchergebnisse auf Relevanz, Genauigkeit und Qualität gemäß den Vorgaben.
• Führte Datenannotation und Inhaltskennzeichnung für KI-Trainingsmodelle durch.
• Bewertete Nutzerabsichten, um Suchmaschinenalgorithmen zu verfeinern und zu verbessern.
• Lieferte linguistische Einblicke zur Optimierung der mehrsprachigen Suche.
• Überprüfte KI-generierte Antworten zur Verbesserung der Sprachverarbeitung (NLP).

Erkennung und Klassifizierung von Fahrzeugen in Bildern und Videos für die Verkehrsüberwachung

• Ein YOLO- + Faster-R-CNN-Modell für reale Verkehrs- und autonome Fahrszenarien. Ausgezeichnet mit dem Best Paper Award am St Joseph Engineering College, März 2025.

Was es macht

• Das Modell nimmt Bilder oder Videoframes und lokalisiert und klassifiziert Fahrzeuge nach Typ, sodass es für Folgeanwendungen wie Verkehrsflussüberwachung oder Wahrnehmung in autonomen Fahrzeugsystemen nutzbar ist.

Was ich gemacht habe

• YOLO (für schnelle Erkennung) mit Faster R-CNN (für genauere Klassifizierung) kombiniert, statt mich auf nur eine Architektur zu verlassen, um Geschwindigkeit und Genauigkeit dort abzuwägen, wo sie am wichtigsten waren.
• 90 % mean Average Precision (mAP) erreicht, bewertet mit IoU-basierten Metriken statt nur mit roher Genauigkeit, damit die Lokalisierungsqualität korrekt abgebildet wird.
• Die komplette Datenverarbeitung und Bewertungspipeline in Python mit TensorFlow und OpenCV umgesetzt.
• Das begleitende Paper wurde vom Best Paper Award der CSE-Abteilung am St Joseph Engineering College ausgezeichnet.

Tech-Stack: Python, TensorFlow, OpenCV, YOLO, Faster R-CNN

• Plattform: Python-Ökosystem, RHEL 8, K10, AWS IoT Core, AWS Lambda, MLOps
• Software: Java JEE/Cloud, IntelliJ IDEA, AWS IoT Core, AWS Edge und Lambda, AWS SageMaker SDK, Docker Compose, Kubernetes, Openshift 4, Tekton, Flux, Helm Charts, JSON/XML-Technologien, Nginx, Apache Spark, OpenAI (GPT Plus, DALL-E 3, Whisper), GAN, GitHub Copilot, KI, Machine Learning, Deep Learning, Jupyter Notebooks, TensorFlow 2, Colab, Keras API, Prometheus, Grafana, Conda, Python 3.9, SciPy-Stack (NumPy, pandas, scikit-learn, matplotlib)
• Zuständig für Webinar:
• IoT Edge Computing, Architektur, Komponenten, Ressourcen, Management
• IoT Edge Computing mit MicroK8s, Design und Erstellung von Flows/Diagrammen für AWS, Three-Step-Modell für IoT-Ökosystem
• IoT-Prozesse, Konnektivität, Datentransfer und Deployment, Sicherheit
• Optimierung des Edge Computing für Netzwerke, Services im IoT (AWS SQS Queue, SNS-Benachrichtigungen, Events, Analytics, Button, Device Management/Defender, Things Graph)
• Machine-/Deep-Learning-Frameworks (Modelle, Training, Optimierung der Pipelines, Deployment in der Cloud/am Edge, Monitoring der Workloads mit Prometheus und Grafana)
• Performance-Optimierung für niedrige Latenz/Resilienz mittels adaptiver ML/DL/RL-Modelle für Kundendaten aus dem IoT
• Analyse großer Sensordatenmengen mit Apache Spark, Kafka-Clustern
• Kasten K10 Data Management Platform auf Kubernetes-Multi-Cluster mit Helm Chart: Deployment, Backup/Disaster Recovery (RTO/RPO), Data Lifecycle und Security Management
• Implementierung eines mehrschichtigen neuronalen Netzes (ANN) mit TensorFlow 2 und Colab für Regression und Klassifikation; Datenanalyse und Aufbereitung für Applikationen; Entwicklung von Test- und Trainingsmodellen; Deployment der Modelle
• Automatisierung von Business-Streamline-Prozessen mit KI (Azure OpenAI, Discord-Bots/Zapier, AI-Assistenten-Apps IntelliJ, GitHub Copilot)

• Rechnergestützte und experimentelle Analyse der Jasmonat-Signalwege