Hugging Face Transformers Experten in Deutschland

• 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.

• TrendReel, Produktions-LLM-Agenten- und RAG-System (Python, LangChain, OpenAI, Groq/Llama 3, Claude, FastAPI, Kubernetes, PostgreSQL).
• Entwarf und baute ein produktives mehrstufiges LLM-Agentensystem: einen Script-Generierungs-Agenten mit einer plattformbezogenen Psychologie-Datenbank, 7 viralen Narrativ-Frameworks und strukturierter Qualitätsbewertung, der in Echtzeit je nach Ausgabemetriken zwischen Claude- und Groq-Backends wechselte.
• Implementierte Multi-Provider-LLM-Routing (Claude primär, Groq/Llama 3 Fallback) mit Priority-Chain-Failover und qualitätsbasiertem Provider-Wechsel und erreichte dabei eine Senkung der Inferenzkosten um 95 %, während messbare Qualitätsgrenzen eingehalten wurden.
• Aufbau einer fortschrittlichen RAG-artigen Retrieval-Pipeline mit Wissensbasen pro Plattform, semantischem Content-Matching und strukturierter Ausgabeevaluation über 7 Entscheidungs-Frameworks, direkt vergleichbar mit kontextbasiertem Reasoning in Multi-Tenant-Enterprise-Dokumenten-Workflows.
• BrainyAI, adaptive KI-Lernplattform (Python, LangChain, Groq Llama 3.3-70B, OpenAI, Next.js, Supabase, Redis).
• Integrierte Groq Llama 3.3-70B mit einem auf Bildungsniveau abgestimmten Prompting, wobei Wortschatz-Tiefe, Zitierkomplexität und Denkstil dynamisch über vier Leistungsstufen von Lernenden angepasst wurden.
• Nexus Prime, Multi-Tenant-SaaS-Plattform für Marketing- und Wachstumsautomatisierung (25 Module, 99 Backend-Router, 153 Frontend-Dateien).
• Aufbau einer 25-Modul-, 99-Router-Multi-Tenant-SaaS-Plattform für Ad-Remix, Affiliates, WhatsApp-Inbox, E-Mail und Warenkorbwiederherstellung, die vier Abo-Stufen von $199 bis $1,999 pro Monat mit integrierter Stripe-, Paystack- und Flutterwave-Abrechnung bedient.
• KI-Videoüberwachungsplattform, Multi-Tenant-Edge- und Cloud-Computer-Vision-System derzeit aktiv im Kundengespräch.
• Entwarf eine Multi-Tenant-KI-Videoüberwachungsplattform, die Edge-YOLO26-Inferenz auf NVIDIA Jetson Orin NX Boxen mit einer zentralen GKE-Cloud-Schicht (Postgres, Pub/Sub, ClickHouse, R2, Keycloak) für Ereignisspeicherung, Dashboards, Alarme und Multi-Tenancy kombiniert.

• KI-basierte Wahrnehmungs- und multimodale Systeme für reale Umgebungen entwickelt und implementiert
• Machine-Learning- und Deep-Learning-Modelle mit Python, PyTorch, TensorFlow und OpenCV erstellt, trainiert und evaluiert
• Mit Vision-Language Models (VLMs), Large Language Models (LLMs), transformerbasierten Architekturen und multimodalen KI-Systemen gearbeitet
• LoRA-basierte Feinabstimmung angewendet und Diffusionsmodelle für generative und multimodale KI-Anwendungen erprobt
• Multimodale Wahrnehmungspipelines mit Kamera-, LiDAR- und Sensordaten entwickelt
• Durchgängige Arbeitsabläufe für Datenverarbeitung, Modelltraining, Evaluierung, Benchmarking und Robustheitsanalysen konzipiert
• HuggingFace Transformers und moderne Deep-Learning-Frameworks für KI-Experimente und Bereitstellungsprozesse eingesetzt
• GPU-beschleunigtes Rechnen, CUDA-basierte Verarbeitung sowie ONNX- und TensorRT-Optimierung für effiziente Inferenz und Modelltraining im großen Maßstab genutzt
• Mit Industriepartnern wie Valeo und REHAU an angewandten KI-Projekten und Projekten zu intelligenten Systemen zusammengearbeitet
• Skalierbare KI-Architekturen und Prototypen für Automatisierungs- und Wahrnehmungsaufgaben entwickelt

• Gründete ein KI-gestütztes SaaS für Terminplanung und Geschäftsverwaltung für kleine und mittlere Unternehmen und verantwortete Technologiestrategie, Architektur, Produktentwicklung, UX, Abrechnung und Go-to-Market.
• Entwickelte und realisierte eine mandantenfähige Plattform mit REST-APIs, RBAC, CRM, Abrechnung und Benachrichtigungen für das Manager-Dashboard, die Admin-Konsole, das Buchungserlebnis und iOS-/Android-Anwendungen.
• Führte und betreute 7 Softwareentwickler, 1 DevOps-Ingenieur, 1 QA-Ingenieur und 1 UX/UI-Designer und arbeitete gleichzeitig praktisch in den Bereichen Backend, Frontend und Produktentwicklung.
• Entwickelte KI-Sprach- und Chat-Agenten mit Python/FastAPI, OpenAI- und Anthropic-APIs, RAG, pgvector und Tool-Calling; integrierte Twilio, Google Calendar/Meet, Stripe und Firebase.
• Verantwortete die Produktiv-Infrastruktur und automatisierte die Auslieferung in getrennten Umgebungen mit Docker, Nginx, GitHub Actions und Grafana; vertrat das Unternehmen bei Acceleratoren und internationalen Startup-Veranstaltungen.

Ausgewählter Tech-Stack: Python, FastAPI, Node.js, Vue 3, React/Next.js, React Native, PostgreSQL, Redis, Docker

• Entwicklung durchgängig reproduzierbarer ML-Pipelines (PyTorch) mit Datenversionierung (DVC), Experiment-Tracking (MLflow), automatisierten Tests (PyTest) und CI/CD für alle Trainings-Workflows.
• Skalierung des Trainings von Vision Transformers und CNNs über NVIDIA A100-GPU-Cluster (CUDA, DDP, SLURM); Anwendung von Hyperparameter-Optimierung (W&B Sweeps), um den Trainingsaufwand zu reduzieren und optimale Konfigurationen zu ermitteln.
• Entwicklung eines Echtzeit-Systems zur Generierung menschlicher 3D-Bewegungen (ViT, VQ-VAE, SMPL-X/PIXIE) für die persönlichkeitsabhängige Avatarsynthese; Erreichen von state-of-the-art FID = 6.15 und P-FID = 10.31 auf dem UDIVA-Benchmark.
• Validierung der Ausdrucksfähigkeit des Modells durch strukturierte Nutzerstudien mit einer Genauigkeit von 86% bei der Unterscheidung zwischen extrovertiertem und introvertiertem Avatarverhalten.
• Optimierung von Inferenz-Pipelines durch die Bereitstellung von PyTorch-Modellen über TensorRT und ONNX Runtime in nativem C++-Code; Durchführung von Performance-Benchmarks.

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

Entwicklung eines Routenplaners zur Störungskommunikation.

• Entwicklung der REST-API
• Aufbau eines Patch-Systems zur Pflege des Routing-Graphen
• Erweiterung der Testinfrastruktur
• Performance- und Speicheroptimierung (JMeter, JFR)

Technologien: Java 21, Spring Boot, JGraphT, Flyway, MapStruct, Caffeine, ShedLock, JMeter, Kubernetes, JFR

• Anwendung fortgeschrittener Machine-Learning-Techniken durch die Entwicklung eines Prompting-Frameworks mit mehreren Strategien (Zero-shot, Few-shot, CoT, Instruction Tuning) zur Extraktion strukturierter Daten aus komplexen Finanz- und medizinischen Datensätzen. Dadurch wurden die Modellzuverlässigkeit deutlich erhöht und durch eine umfassende Evaluation mit fortgeschrittenen Metriken (ROUGE-L, METEOR, Cosine Similarity) eine Verbesserung des F1-Scores um 18% erzielt.
• Entwicklung skalierbarer Workflows für strukturierte Ausgaben und Aufbau automatisierter Monitoring-Pipelines (spaCy, ClearML) zur kontinuierlichen Leistungsverfolgung unter Anwendung praxisnaher MLOps-Prinzipien.
• Iterative Verbesserung der Prompt-Strategien auf Grundlage einer sorgfältigen Fehleranalyse, um eine robuste und produktionsreife Leistung sicherzustellen.

• Automatisierte Validierungs-Workflows mit Python eigenständig initiiert und implementiert, dadurch die manuelle Verarbeitung um 58% reduziert und die Effizienz verbessert
• Ein Machine-Learning-Modell zur Erzeugung synthetischer Fehler entwickelt, Ausfallzeiten und Produktionskosten reduziert; lokal sowie über Databricks und Azure AI Factory bereitgestellt
• Einen kleinen Bilddatensatz aus den Produktionslinien genutzt und durch das Training von Modellen wie cycleGAN und pix2pix erweitert
• Die Linux-basierte Entwicklungsumgebung für das Training von 3D-Modellen aufgebaut und optimiert; die Reproduzierbarkeit über GitHub sichergestellt
• Technische Erkenntnisse funktionsübergreifenden Teams (Ingenieuren, QA, Projektmanagern) präsentiert und so die Abstimmung von ML-Lösungen auf betriebliche Anforderungen sichergestellt

• Einführung eines integrierten Ansatzes zur Erkennung struktureller Schäden in Beton, Stahl und Glas mithilfe fortschrittlicher Technologien wie LiDAR und Wärmebildgebung. Berücksichtigung materialübergreifender Wechselwirkungen zur Verbesserung der Diagnostik und Ermöglichung einer vorausschauenden Wartung.

• Entwicklung eines NLP-basierten medizinischen Notizvereinfachers, der komplexe klinische Anweisungen in einfaches Englisch auf Kinderniveau umwandelt. Anwendung von Prompt Engineering mit Flan-T5-Transformermodellen, um für Patienten relevante Maßnahmen zu extrahieren und in klare To-do-Punkte umzuschreiben. Entwicklung von Flask- und Tornado-Backends sowie einer druckbaren Weboberfläche.

• Ein CRNN-Modell mit VGG16- und BiLSTM-Backbone zur Erkennung textbasierter CAPTCHAs entwickelt
• Eine Zeichenfehlerrate von 9.37% und eine Sequenzgenauigkeit von 68.36% auf Validierungsdaten erreicht
• Die Datenaugmentierungspipeline um Verzerrungen, Rausch-Injektion und Störelemente erweitert, um die Robustheit zu verbessern
• Eine detaillierte Fehleranalyse zu verwechselbaren Zeichen (O, Q, D) durchgeführt und eine fehlerbezogene Augmentierung vorgeschlagen
• Tech Stack: Python, TensorFlow/Keras, OpenCV, NumPy, Matplotlib

• Prüfung fachlicher und technischer Anforderungen aus Testsicht
• Erstellung von Testfällen und automatisierten Tests zur Absicherung der Anforderungen
• Durchführung manueller und automatisierter Funktions-, End-to-End- und Regressionstests
• Dokumentation der Testergebnisse und Nachverfolgung von Fehlern
• Nutzung von Modellen wie GPT-4, BERT und Hugging Face Transformers zur automatisierten Testfallgenerierung, Analyse von Testergebnissen und Verbesserung der Testabdeckung, einschließlich Bias-Checks und Sicherheitsüberprüfungen
• Techs: MS Office, Jira, Zephyr, Confluence, Tosca, Stakeholder-Kommunikation, Agil, Kanban, SCRUM, OpenAI API, Hugging Face, PyTorch, LangChain.

• Durchführung von Sicherheitsbewertungen und Penetrationstests an Microsoft-KI-Modellen für Text-, Bild- und Videoerzeugung.
• Durchführung von Prompt-Injection-Angriffen über verschiedene Eingabevektoren, darunter speziell gestalteter Text, steganografische Bilder und manipulierte visuelle Elemente (z. B. unterschiedliche Transparenz und eingebettete Inhalte).

• Konzeption, Vorbereitung und Durchführung eines Webinars zum Thema „RAG in der Praxis: Wie Verlage mit KI echten Mehrwert schaffen“
• Aufbereitung technischer und strategischer Inhalte rund um Retrieval Augmented Generation (RAG) für ein fachlich gemischtes Publikum aus der Verlagsbranche
• Darstellung konkreter Use Cases, technischer Hintergründe, typischer Herausforderungen und Lösungsansätze im Einsatz von RAG
• Vermittlung von praxisnahen Einblicken in Datenaufbereitung, Modellwahl und Output-Optimierung im Kontext digitaler Verlagsportale
• Inhaltliche Konzeption und fachliche Vorbereitung des Webinars
• Auswahl und Darstellung praxisnaher Use Cases aus dem Verlagsumfeld
• Erarbeitung technischer Hintergründe zur Umsetzung von RAG-Systemen
• Präsentation und Erklärung typischer Herausforderungen und Lösungsstrategien
• Large Language Models (LLMs)
• Retrieval Augmented Generation (RAG)