Google Vertex AI Experten in Berlin

• Verantwortlich für die 12–18-Monats-Roadmap und die wichtigsten Ergebnisse der Enterprise-Kundenplattform von Elli, einschließlich Onboarding, Preisgestaltung, Abrechnung, Analysen und umfassender Plattformmodernisierung; den Fleet-Onboarding-Funnel neu gestaltet und die Conversion verdoppelt, wodurch bis 2028 ein prognostizierter Umsatzanstieg von €20.7M unterstützt wird.
• Leitung des übergreifenden Energy-Intelligence-Produkts und direkte Verantwortung für dessen KI/ML-, Asset- und Portfoliooptimierungsfunktionen, einschließlich MLOps, sicherer Strategiebereitstellung, Strategielebenszyklusmanagement und Backtesting; die Verantwortung für die Daten- und V2G-Integrationsroadmap an einen neuen PO übertragen, als sich der Plattformumfang erweiterte.
• Einen Human-in-the-loop-GenAI/RAG-Support-Workflow aufgebaut, wodurch die L1-Lösungsquote um 24% gesteigert, die Routing-Genauigkeit auf 91% erhöht und die L2-Arbeitslast um 30% reduziert wurde.
• Standardisierte Datenverträge und ein Self-Service-Python-Toolkit für Trader und Data Scientists eingeführt, wodurch die Plattformnutzung um 15% gesteigert und der Supportaufwand um 50% reduziert wurde.
• Ein Echtzeit-Orchestrierungsprodukt von 32 auf 3,000+ Endpunkte in vier Märkten aufgebaut und skaliert; der wiederkehrende Umsatz stieg von €1.4k auf €56.3k MRR.
• Produkt- und KI-Kompetenzen im gesamten Unternehmen entwickelt, 20 PMs zu RAG, Agenten und Prototyping geschult; einen Junior PM betreut und einen Enterprise Platform Tech Lead auf dem Weg zur Übernahme von Verantwortung im Product Management begleitet.

Enterprise-Kategorisierung von KI-Inhalten und KI-gestützte Webrecherche.

• Multi-LLM-Evaluierungsframework mit annotierten Daten entwickelt
• LLM-Fehlerraten auf Grundlage annotierter Datensätze iterativ verbessert
• KI-gestützte Webrecherche-Pipeline implementiert Technologien: LLM, evals, OpenRouter, Python, Node.js, TypeScript, React

• Tätigkeit als technischer Berater zur Optimierung mehrschichtiger Ensemble-Modelle, die ResNet, CNN-BiGRU-Attention und XGBoost kombinieren.
• Begleitung der Implementierung eines Logistic-Regression-Meta-Learners zur Lösung von Problemen mit unausgeglichenen Klassen; dabei wurden 92.86% Genauigkeit und 0.9644 AUC bei den Datensätzen PTB-XL und Chapman-Shaoxing erreicht.

• Enterprise-Retrieval-Augmented-Generation-(RAG)-Anwendungen mit LangChain, LangGraph, Vektordatenbanken, Embeddings und Open-Source-LLMs entworfen und bereitgestellt, die über vLLM auf GCP-GPU-Infrastruktur betrieben wurden.
• Agentic-AI-Workflows mit LangGraph entwickelt, inklusive Planung, Schlussfolgern, Tool-Ausführung, persistenter Speicherung, Sitzungsverwaltung und Human-in-the-Loop-Freigabemechanismen.
• LLM-gestützte Automatisierungssysteme entwickelt, die BigQuery, SQL-Pipelines und externe Werbe-APIs wie Meta, TikTok, Amazon, Snapchat, Google und Pinterest integrieren und manuelle operative Abläufe reduzieren.
• Multi-Agent-AI-Systeme für Enterprise-Analytics- und Entscheidungsunterstützungs-Workflows entworfen, die autonome Aufgabenausführung und intelligente Dateninteraktionen ermöglichen.
• Retrieval-Optimierungsstrategien umgesetzt, darunter Multi-Retriever-Architekturen, semantische Suche, Kontextoptimierung und Query-Verbesserungstechniken, wodurch die Relevanz der Antworten um etwa 40 % verbessert wurde.
• Strukturierte Prompting-Strategien, Function-Calling-Schemata und Validierungs-Workflows entwickelt, um die Zuverlässigkeit von mehrstufigen LLM-Anwendungen zu verbessern.
• Skalierbare AI-Services mit Python, FastAPI, Cloud Run, Pub/Sub, BigQuery, Docker und cloud-nativen Bereitstellungsarchitekturen entworfen.

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Einen KI-Forschungsassistenten mit RAG, LangChain, LangGraph und OpenAI-LLMs sowie integrierter Vektorsuche entwickelt.

• 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.

• Aufbau eines KI-Forschungsassistenten mit RAG, LangChain, LangGraph und OpenAI-LLMs in Kombination mit Vektorsuche; Forschungszeit um 30% reduziert.
• Entwicklung maßgeschneiderter Retrieval-Workflows mit LlamaIndex und einem ReAct-Style-Agenten für dynamisches Chunking; Abfragegenauigkeit um 18% verbessert.
• Untersuchung und Optimierung von Embedding-Strategien, wodurch die Abrufkosten pro Anfrage um 15% gesenkt wurden.
• Entwicklung von RAG-Bewertungsframeworks mit RAGAS und Langsmith anhand eigener Datensätze; Abdeckung um 40% gesteigert.
• Feintuning von LLMs (LLaMA 2 auf Vertex AI mit eigenen Inferenz-Containern, dynamischem Batching und Quantisierung); Latenz der Inferenz um 25% verringert.
• Integration von KI-Agenten in LangGraph mit Kurz- und Langzeitspeicher (Mem0); Abschlussquote der Aufgaben um 20% erhöht.
• Erstellung schema-bewusster Generatoren für synthetische Daten; Feintuning nachgelagerter Modelle mit +12% F1-Score.