Google Colab Experten in Deutschland

• LLM-Benchmarking: Über 1,000 von LLMs generierte Antworten auf technische Korrektheit, Code-Effizienz, Sicherheit und die strikte Einhaltung komplexer technischer Prompt-Vorgaben bewertet und verglichen.
• Mathematische Prüfung: Hochdetaillierte strukturelle Prüfungen von modellgeneriertem Code und mehrstufigen mathematischen Herleitungen durchgeführt und dabei Ursachen für logische Lücken, Syntaxfehler und Halluzinationen dokumentiert.
• Prompt-Architektur: Hochkomplexe mathematische, logische und programmierbezogene Prompts entwickelt und Belastungstests unterzogen, um Fehler in Edge-Cases aufzudecken und fortgeschrittene Denkfähigkeiten zu bewerten.
• Modellausrichtung: RLHF- und SFT-Workflows geleitet, Google Collab und interaktive Python-Skripte genutzt, um umfangreiche Datensätze mit Modellausgaben zu analysieren und sehr detaillierte Präferenz-Rankings zu erstellen.

• 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).

• Mehrere Modelle des maschinellen Lernens (z. B. Regression, Zeitreihen, neuronale Netze) zur Prognose von Kryptowährungskursen entworfen, implementiert und bewertet. Dabei wurden Datenvorverarbeitung, Feature Engineering und Modelloptimierung eingesetzt, um die Prognosegenauigkeit zu verbessern.
• Eine ausführliche Datenanalyse und Visualisierung großer Datensätze zu Kryptowährungen durchgeführt und dabei Tools wie Python sowie Bibliotheken wie Pandas und Matplotlib verwendet, um Trends und Muster zu erkennen.

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