LlamaIndex Experten in München

Mirza K.

Agentische KI für ein DeepResearch-Projekt

Letzte Position:

Agentische Automatisierung und ein RAG-System

In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.

Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP

Tezcan D.

Solution Architekt / Projektleiter

Letzte Position:

Solution Architekt / Projektleiter bei Deutscher Fußball-Bund

Gesamtverantwortung für den Projektlebenszyklus von der Umfangsdefinition bis zum Abschluss
Enge Zusammenarbeit mit Plattform-Teams, IT-Führungskräften und externen Dienstleistern
Anwendung von SAFe-Prinzipien und strukturierte Sprint-Arbeit
Erstellung eines Migrationsfahrplans mit klaren Meilensteinen
Überwachung des Lifecycles: Onboarding, Repository-Migration, Replikation von Berechtigungen und Systemtests
Visualisierung der Architektur mit PlantUML und Gliffy sowie Dokumentation in Confluence
Regelmäßige Statusberichte und Durchführung von Wissenstransfer-Sessions

Martin R.

Senior LLM Research Scientist

Letzte Position:

Senior LLM Research Scientist bei BYO Inc.

Modelle für Chatbots, NLP und LLMs (z. B. Llama, Qwen, OpenAI) erforschen und entwickeln
Chatbots mit RAG und In-Context Learning verbessern
Supervised Fine-Tuning (PEFT, LoRA), Huggingface oder Unsloth
Fortgeschrittene Trainingsmethoden: Test-Time Training, (transduktives) Active Learning, Reinforcement Learning
Serving mit hohem Durchsatz mit vLLM
Embedding-Modelle anwenden (z. B. SentenceTransformers), Similarity-/Vektorsuche oder Vektor-DB oder Ranking (z. B. LlamaIndex, Faiss, LangChain)
Synthetische Daten erzeugen und filtern, Clustering
Halluzinationen erkennen
Chatbot-Modelle bewerten (Rouge, BLEU, F1-Score, Recall, Precision)
Visualisierung von Experimenten (matplotlib)

Nima N.

Daten- und KI-Architekt

Munich

Letzte Position:

Mitbegründer & LLM-Ingenieur bei LLM Ventures

Mitgegründet ein KI-Startup mit Fokus auf die Entwicklung produktionsreifer LLM-Anwendungen und Agentensysteme
Entworfen und implementiert Multi-Agent-KI-Workflows für Finanz- und Handelsanwendungen
Entwickelt LLM-basierte Copilot-Architekturen für Portfolioanalyse, Handelsverwaltung und personalisiertes Nutzercoaching
Entwickelt On-Device- und Edge-Inferenzanwendungen, optimierte Modelle für geringe Latenz, Datenschutz und ressourcenbeschränkte Umgebungen
Geleitet Architekturentscheidungen zur Modellauswahl, Orchestrierung, Zustandsverwaltung und Bereitstellung

Max R.

Cloud (AWS) | KI | DevOps | Daten

Fürstenfeldbruck

Letzte Position:

Cloud (AWS) | KI | DevOps | Daten bei Boehringer Ingelheim

Konzipierte und implementierte eine Enterprise-KI-Agentenplattform auf Basis einer Retrieval Augmented Generation (RAG)-Architektur, um Einblicke in klinische Daten zu verbessern.
Errichtete robuste CI/CD-Pipelines für LLM-Anwendungen mit CDK und Jenkins und verkürzte dadurch die Bereitstellungszeiten deutlich.
Führte umfassende Observability-Lösungen ein, die die Zuverlässigkeit der Agenten in pharmazeutischen Umgebungen steigerten.
Entwickelte skalierbare KI-Workflows mit fortschrittlicher Orchestrierung, die das Kontextmanagement für Unternehmensdatenquellen optimierten.
Technologien: KI-Agenten (LangChain, LangGraph, Bedrock, Smolagents, Streamlit); LLM-Betrieb (Tracing, Testing, Evaluation, LangSmith, LangFuse); Infrastructure-as-Code (AWS CDK, Terraform, Typescript, Jenkins); Vektoren, Einbettungen, RAG (OpenSearch, pgvector, PDF-Extraktion)

Mohamed S.

Machine Learning Engineer (Teilzeit)