Jupyter Experten in Deutschland

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

• Marketingstrategie: End-to-end-Analyse und Bewertung von kanalübergreifenden Marketingkampagnen über die gesamte Customer Journey hinweg. Mein Fokus liegt darauf, Optimierungspotenziale zu erkennen und klare, umsetzbare Empfehlungen abzuleiten, die messbare Geschäftsergebnisse erzielen.
• Data Science & KI: Fortgeschrittene prädiktive Modelle (Churn, LTV), Market-Basket-Analysen, Clustering und KI-gestützte Audience Discovery in Echtzeit mit RAG/LLMs.
• Marketing Analytics & Measurement: End-to-end-Attributionsanalyse, Marketing Mix Modeling (MMM), Audience Segmentation, Conversion-Path-Analyse und A/B-Tests über alle wichtigen Plattformen hinweg.
• Data Engineering & Reporting: Aufbau und Betreuung robuster, plattformübergreifender Datenpipelines (BigQuery, GCP) für die Datenkonsolidierung, automatisierte Dashboard-Erstellung und wichtige API-Integrationen.

• Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft.
• Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden.
• Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD.

• Aufbau einer Datenintegrationsplattform für Hoch-, Mittel- und Niederspannungs-Assets zur kontextuellen Analyse von Zeitreihen mit Stammdaten aus dem SCADA-Leitsystem (IEC 60870 104), INIS und SAP.
• Verantwortung für Architektur und Implementierung der Lösung sowie Sparringpartner für den Product Owner.
• Einsatz von Kotlin, Spring Boot, Maven, TimescaleDB, PostgreSQL, liquibase, Elements IoT, Docker, Kubernetes, Grafana, Python, Jupyter und verschiedenen API-Gateways.

• Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
• Implementierung automatisierter End-to-End-Cloud-Prozesse
• Entwicklung von LLM- und NLP-Modellen
• Erstellung interaktiver Reports
• Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten

Erstellung von Workflows zur Erzeugung der Datenbasis für den Artikel-Import eines Webshops: Kombination von Daten aus mehreren Quellen, Analyse der Anforderungen, Entwurf des Ablaufs mit Jupyter Notebooks und Knime. Außerdem Erstellung von Code zur Automatisierung in Python unter Benutzung von Polars und Pandas.

Aufbereitung der Ausgangsdaten, Filtern und Zusammenführen der Ausgangsdateien und Bilden der nötigen Zwischenprodukte, Erstellung der Upload-Dateien, Plausibilitätsprüfungen, Quality Checks.

Eingesetzte Technologien: PyCharm, Python, Jupyter Notebooks, SQL, Knime, Pandas, Polars

• CNN- und RNN-Architekturen mit Transfer Learning für reale Klassifikationsaufgaben entwickelt und feinabgestimmt — zentrale Deep-Learning-Fähigkeiten, die auf die multimodale LLM- und GenAI-Fahrzeugfunktionsentwicklung bei BMW übertragbar sind.
• Dropout, Batch Normalization und Early Stopping in verschiedenen Deep-Learning-Experimenten implementiert; streng mit Precision, Recall, F1-Score und Confusion Matrices bewertet für Zuverlässigkeit auf Produktionsniveau.
• Ein KI-gestütztes Anwesenheitsverwaltungssystem mit LBPH-Gesichtserkennung entwickelt, über eine Flask-Weboberfläche bereitgestellt und mit SMS-Benachrichtigungen in Echtzeit ergänzt — ein Beispiel für eine vollständige AI-Produktlieferung für echte Nutzer.
• In funktionsübergreifenden Teams zusammengearbeitet, um skalierbare, dokumentierte ML-Pipelines für Reproduzierbarkeit zu liefern — passend zu BMWs interdisziplinärem Team- und Forschungsumfeld.
• AI-Tools direkt in den Entwicklungsworkflow integriert, vom Design bis zum Testen, und dabei eine hohe Geschwindigkeit ohne Abstriche bei der Korrektheit gehalten.

• Titel: Verbesserung des syntaktischen Bewusstseins in Transformer-Sprachmodellen für das Hindi-Dependency-Parsing
• Untersuchung des syntaktischen Wissens, das Transformer-Sprachmodelle (RoBERTa, XLM-RoBERTa) für das Hindi-Dependency-Parsing erfassen, einer morphologisch reichhaltigen und ressourcenarmen Sprache.
• Entwicklung strukturbewusster Modellvarianten (Struct_Roberta_hi, Struct_XLMR) durch Integration eines CNN-basierten Parser-Netzwerks zwischen den Transformer-Schichten, inspiriert von der StructFormer-Architektur.
• Durchführung umfangreicher Fehleranalysen einschließlich Auswertungen nach Label, Distanz, Richtung, Satzlänge sowie LVC/Non-LVC.
• Evaluierung der Modelle bei nachgelagerten NLP-Aufgaben (NER, POS-Tagging) unter Verwendung des IndicXTREME-Benchmarks.

• Automotive SPICE®: alle Assessments vollständig erreicht
• Agile Transformation: V-Modell → SAFe erfolgreich
• Serienfreigabe: pünktliche und qualitätsgesicherte Softwarelieferung für Schlüsselmodelle des Volkswagen Konzerns (inkl. ECE-Homologation)
• Stakeholder-Management: intern & extern
• Prozessoptimierung: Kontinuierlichen Verbesserungsprozess (KVP) mit Tracking-System implementiert

• 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).

• Es ist wie ein Start-up innerhalb von REWE, wo wir ein neues Forecasting-System auf der Google Cloud Platform von Grund auf aufbauen müssen. Offiziell heißt meine Rolle zwar MLOps, aber zu meinen tatsächlichen Aufgaben gehören auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und Aufgaben von Data Scientists wie Feature Engineering und Modelltraining.
• GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
• Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT für die Umsetzung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert

DWH für Kunden- und Finanzdaten

• Erweiterung des DWH um neue Datenquellen
• Berichtsentwicklung
• Datenqualitätsmanagement

Vorgehensmodell: Scrum

Werkzeuge: Atlassian Confluence & Jira

Datenbanken: Microsoft SQL Server

Programmiersprachen: SQL, T-SQL

ETL: Microsoft SQL Server Integration Services (SSIS)

Frontend-Plattform: PowerBI, Microsoft Reporting Services

• Verantwortlich für die Administration von OpenShift/Kubernetes On-Prem und den Entwickler-Support.
• Automatisierte die URP-Infrastruktur mit Python, Ansible, Kustomize sowie dem ArgoCD- und Argo Workflow/Events-Stack.
• Schrieb Smoke- und Lasttests für die URP-Infrastruktur mit Python, Kustomize und ApplicationSets.
• Unterstützte beim Aufbau und der Bereitstellung der URP-Infrastruktur in Google Cloud (GKE).
• Implementierte Monitoring für die URP- und ArgoCD-Umgebung mit Splunk Cloud.
• Führte Systemadministrationsaufgaben auf RedHat Linux, Kubernetes/OpenShift, ArgoCD, GitLab, Bitbucket Enterprise, Kafka und MongoDB durch.

• Implementierung von Daten- und Feature-Pipelines sowie automatisierter Validierung und Berichterstattung für Versicherungsdatensätze mit mehreren Millionen Zeilen.
• Entwicklung einer produktionsreifen Bildverarbeitung zur Erkennung von Stofffehlern; Bereitstellung von wartbarem, gut getestetem Python-Code und prägnanten Berichten.