LSTM-Experten in Deutschland

• Übernahm die technische Leitung eines 4-köpfigen Teams, das innerhalb von 12 Monaten 3 wichtige Kundenplattformen mit Microservices-Architektur und Lösungen für Skalierbarkeit bereitstellte — 100% der geplanten Hauptfunktionen wurden vor dem Zeitplan und den geplanten Meilensteinen ausgeliefert (Ausgangslage: Frühere Releases verzögerten sich häufig um 1–2 Sprints).
• Führte Evaluierungen von KI-Modellen und Modellausgaben für LLM-/KI-Anbieter-APIs durch: Sicherheit, Vollständigkeit, Befolgung von Anweisungen und Prüfung der inhaltlichen Fundierung vor dem Go-live; reduzierte fehlerhafte Ausgaben in den KI-integrierten Release-Checklisten von wiederkehrenden UAT-Ergebnissen auf nahezu null bei der finalen Freigabe.
• Entwickelte die API-Entwicklung und Performance-Optimierung für Zahlungs-, Börsen- und KI-Dienste voran; strikt geschlossene Fehlerbehandlung und Payload-Validierung reduzierten die Überarbeitung von Integrationen im Vergleich zum ersten KI-Integrationsdurchlauf um ~35%.
• Setzte Softwaretests, Test-Frameworks, Qualitätssicherung von Code und Code-Refactoring mit Gates für die kontinuierliche Integration ein; die Akzeptanz von Pull Requests im ersten Durchlauf verbesserte sich im gesamten Team, und Hotfixes in der Produktion für KI-Adapter gingen nach Einführung der Review-Standards spürbar zurück.
• Verantwortete DevOps-Praktiken: Docker, GitHub Actions, Jenkins-kompatible Pipelines und Versionskontroll-Workflows — reduzierte die Bereitstellungszeit gegenüber der Ausgangslage vor der Automatisierung um ~50% und stabilisierte Releases in 3 Kundenumgebungen.
• Implementierte Verifier-/Oracle-artige Bestanden-Nicht-bestanden-Prüfungen in Container-Sandboxes (an Harbor/Terminal-Bench ausgerichtet); erstellte technische Dokumentation, sodass Fehler in einem Review-Zyklus behoben werden konnten.
• Leitete die funktionsübergreifende Zusammenarbeit mit Produkt- und Kundenstakeholdern; übersetzte KI-Evaluierungswerte und Risikobefunde in verständliche Kurzberichte für nichttechnische Partner und ermöglichte Go-/No-Go-Entscheidungen ohne zusätzliche Engineering-Meetings.
• Setzte agile Methoden für Sprintplanung und Backlog-Verantwortung ein; unterstützte Engineers dabei, dass Entwickler auf mittlerem Niveau bereits zur Hälfte des Projekts KI-Adapter-Module eigenständig verantworteten.

Selbstständige Erkundung von Methoden zur Entwicklung agentischer KI, von der Idee bis zu einer funktionierenden, öffentlich nutzbaren Anwendung

• Ein interaktives Planungstool zur Modellierung von Altersvorsorge-Entnahmen und Steuerstrategie mit einem agentischen KI-Entwicklungsansatz (Vibe Coding) gebaut – als Beispiel für die eigenständige Untersuchung neuer KI-gestützter Entwicklungsmethoden
• Live-Projektionen für Ausgaben unter Berücksichtigung von Steuern und anpassbare Nutzereingaben geliefert; als kostenlose Browser-Anwendung ohne Installation in Python umgesetzt, mit Fokus auf Nutzbarkeit für nicht-technische Anwender

• Entwickelte und pflegte 5 Power-BI-Dashboards für die Analyse von Pipeline-Tracking, Prognosen, Umsatzlücken, Quotenerreichung und Geschäftsabschlussleistung.
• Erstellte wöchentliche, monatliche und vierteljährliche Berichte, die von etwa 100 Stakeholdern aus Vertrieb, Finanzen und Marketing genutzt wurden.
• Entwickelte semantische Datenmodelle und ETL-Workflows mit Power Query, DAX und SQL; integrierte Daten aus Salesforce, SharePoint, dem internen Data Warehouse und Excel.
• Automatisierte Datenimport, -bereinigung, -transformation, Formatstandardisierung, KPI-Berechnungen, Dashboard-Aktualisierung und Berichtsvorbereitung mit Power Query, DAX und Power BI. Dadurch entfielen mehrere Stunden regelmäßiger manueller Arbeit für Datenaufbereitung und Berichtserstellung.
• Standardisierte KPI-Berechnungen und erstellte interaktive Berichte mit Sicherheit auf Zeilenebene, Drill-through und Wasserfallanalyse für Geschäftsreviews und Prognosen.

• Entwicklung von Krypto-Quant-Strategien, automatisierte Handelsausführung, On-Chain-Daten-Client (Ethereum / Solana)
• Entwicklung von Daten- und Handelsarchitektur für Liquiditätsbereitstellung

• Entwickelte und implementierte eine vollständige Machine-Learning-Pipeline zur Kundenabwanderungsprognose auf Basis des Telco-Datensatzes.
• Wandte Vorverarbeitungstechniken an, darunter Behandlung fehlender Werte, kategoriale Kodierung, Feature Scaling und PCA.
• Baute und verglich über 15 Modelle (Logistic Regression, Random Forest, XGBoost usw.) und bewertete sie anhand von Accuracy, Precision, Recall, F1-Score, ROC-AUC und PR-AUC.
• Stimmte Hyperparameter mit GridSearchCV ab und erreichte 80,6 % Accuracy mit Random Forest und XGBoost.
• Erstellte visuelle Berichte (Balkendiagramme, Heatmaps, Radardiagramme), um die Modellleistung und die Abwanderungstreiber zu interpretieren.
• Exportierte wiederverwendbare Pipelines und trainierte Modelle mit joblib für die Bereitstellung.

• Entwickelte 12+ Seq2Seq-Modelle (LSTMs/GRUs), um ein KI-Modell zu trainieren, und unterstützte damit den KI-Agenten-Evaluationsanalysten sowie Online-Projekte in komplexen Systemen.
• Führte 15+ Experimente durch, um die Prognosegenauigkeit um 28% zu steigern, wandte analytisches Denken an und testete Modelle für QA und die Abdeckung von Randfällen.
• Untersuchte als Berater über 20 Fachartikel, um das Design großer Sprachmodelle zu steuern und logische Implikationen sowie die Übereinstimmung mit dem Fachgebiet sicherzustellen.
• Sparte 40% Rechenzeit durch Modellkompression mit einem wiederverwendbaren PyTorch-Framework ein und unterstützte Entwickler und Autoren dabei, Verbesserungen vorzuschlagen und Richtlinien zu optimieren.

• Entwickelt KI-gestützte Analysetools zur Dürrevorhersage mit CMIP6-Daten.
• Integriert UAV- und Satellitenbilder zur Optimierung prädiktiver Modelle für Dürre-Resilienz.
• Ein Decision Support System (DSS) für integriertes Wasserressourcenmanagement entworfen.
• Partnerschaften mit Industrie und Forschungseinrichtungen für Umweltüberwachungslösungen aufgebaut.
• Internationale Projekte geleitet und Datenwissenschaftsinnovationen an politische und geschäftliche Ziele angepasst.

Vom Rohdaten zum Feinschliff: Partizipative Design-Daten in stakeholdertaugliche Ergebnisse überführen

• Eine produktive Document-AI-Plattform mit Retrieval Augmented Generation (RAG) über 1.500+ partizipative Design-Artefakte entwickelt, um historische Projektanfragen mit fundierten Antworten zu beantworten.
• LLM-Evaluierung mit RAGAS, eigenen Bewertungsmetriken und Human-in-the-Loop-(HITL)-Validierungs-Workflows entworfen, um faktische Fundierung, Antwortqualität und Prompt-Performance zu bewerten.
• Ein Frontend mit React, TypeScript und D3.js für die interaktive Erkundung von KI-generierten Insights gebaut.
• Sicherheitsmechanismen und Guardrails für die LLM-Eingabeschicht implementiert, einschließlich PII-Redaktion und Filterung von vulgärer Sprache.

• Leiter der technischen Gesamtintegration NSC (National Secure Cloud, Projekt mit ca. 60 Mitarbeiter).

• Technische Integration von allen Subprojekten in ein Produkt, Definition von Schnittstellen, Basiskomponenten einer Cloud inklusive Hardware, technische Architektur der Basis IABG.

• Entwicklung eines Cloud Management Platforms (CMP), die in der Lage ist, Private/Mixed Cloud von beliebiger Komplexität anhand einer textuellen Beschreibung mit einem Click oder interaktiv zu erstellen.

• CMP beinhaltet auch den kompletten Zyklus Hardware Management.

• Als Basis wird Kubernetes, Openstack und Hadoop benutzt.

• Die Managementschicht beinhaltet Harbor, Gitea, Longhorn, Keycloak, Rancher und Jenkins, die automatisch konfiguriert sind.

• Privat Cloud kann beliebige Workloads von Kunden ausführen, darunter volle Hadoop Schicht mit HDFS, Spark, MapRed, Mezos, HBase und ca. 20 weiteren ML/DL Technologien.

• Hadoop Worker Cluster kann auch ohne Kubernetes on Bare Metal oder Commodity Hardware automatisch installiert werden.

• Openstack mit Nova, Neutron, Ironic, Swift, Cinder, Ceph.

• Entwicklung einer Java Anwendung Rudi: Soap, Rest, Containers, DB.

• Technologien: Kubernetes (K3s, Rke2, Minikube, Harbor, Gitea, Jenkins, Longhorn, Keycloak, Rancher), Openstack (Nova, Neutron, Keystone, Swift, Ceph, Cinder, Sahara, Magnum, Kayobe, Kolla, Bigrost, Ironic), Hadoop (HDFS, Ambari, Solr, Livy, Ranger, YARN, Tez, HBase, Kafka, Hive, Zookeeper, MapReduce, Spark, Oozie, Flink), Virtualizierung (Kubernetes (K3S), VMware, Oracle), Skripting (Ansible, Puppet, Juju, Shell, Groovy, Gradle, Maven).

• Entwarf und implementierte LLM-basierte KI-Agenten, RAG-Pipelines und Vektorsuchlösungen zur Entscheidungsunterstützung in der Retail-Banking-Abteilung.
• Entwickelte und lieferte robuste KI-Pipelines mit Schutzmechanismen, Fehlerbehandlung, Monitoring und Fallback-Logik, um hohe Zuverlässigkeit und Einhaltung der Datenschutzbestimmungen zu gewährleisten.
• Entwickelte und implementierte ML-Modelle zur Erkennung von Transaktionsanomalien, wodurch die Betrugserkennung und Risikobewertung in großen Datensätzen für das Kreditrisikomodell verbessert wurden.
• Erstellte, bewertete und optimierte ML-Modelle zur Generierung von Propensity Scores für Kunden, die in personalisierten Targeting-Kampagnen für Kreditkarten und Privatkreditprodukte eingesetzt wurden.
• Entwickelte eine NLP-Pipeline mit BERT-Embeddings und spaCy NER für SMS-/E-Mail-Analysen und Kundenanfragenprotokolle.
• Trainierte Machine-Learning-Modelle mit Isolation Forest, um Nutzerverhalten zu klassifizieren und Anomalien zu erkennen.
• Extrahierte, bereinigte, angereicherte und feature-engineerte Datensätze aus verschiedenen Quellen, um Feature Stores zu erstellen, die das Training von ML-Modellen ermöglichten.
• Leitete die Entwicklung von Dashboards mit Power BI, Grafana und Prometheus zur Überwachung der Modellleistung, KPI-Trends und Marketing-Kennzahlen.
• Erstellte Multi-Touch-Attributionsmodelle mit logistischer Regression und zeitverfallbasierten Gewichtungen zur Bewertung der Lead-Qualität.
• Entwickelte skalierbare ETL-Pipelines aus CRM, T24, SAP und ERP zur Unterstützung von Millionen monatlicher Transaktionen.
• Integrierte Testverfahren und CI/CD-Workflows für eine stabile Bereitstellung von Datenpipelines.

• Entwicklung und Optimierung von LSTM-RNN- und Decoder-Transformer-Modellen zur Vorhersage der Fahrzeugtrajektorie bei Zielverlust im adaptiven Tempomatsystem, was eine 20% höhere Vorhersagegenauigkeit gegenüber den Basismodellen ergab.
• Entwicklung einer neuen Datenvorverarbeitungs-Pipeline aus realen Fahrversuchsdaten, Verarbeitung von Multisensor-Zeitreihendaten und Erstellung von über 300 Trainingsabschnitten.
• Implementierung einer bayesianischen Hyperparameteroptimierung und Anwendung physikalischer Beschränkungen, um ein Ausreißer-Verhalten des Modells zu verhindern, was zu 30% gleichmäßigeren Beschleunigungsprofilen führte.
• Erweiterung der bestehenden patentierten Technologie zur KI-gestützten Verbesserung der ACC-Funktion, basierend auf Vorarbeiten zur Leistungssteigerung des Netzwerks.
• Tools: Python, TensorFlow, Keras, Optuna, CarMaker

• Entwarf ML-fähige Datenintegrations-Workflows zwischen On-Premise-Systemen und Cloud-Plattformen (Snowflake, AWS Redshift, Azure) und ermöglichte so skalierbares Feature Engineering und Deployment von Modellen
• Implementierte automatisierte ML-Pipeline-Bereitstellung mit Python, SQL und CI/CD-Tools und reduzierte die Modellbereitstellungszeit um 60 %
• Entwickelte Logik zur Datenumwandlung für die Stammdatensynchronisation zwischen ERP- und Analysesystemen und sicherte so die Datenqualität für prädiktive Modelle
• Arbeitete mit funktionsübergreifenden Teams zusammen, um Geschäftsanforderungen in mathematische Spezifikationen für ML-Lösungen zu übersetzen

• Entwarf End-to-End-Kreditrisiko-Pipelines durch Orchestrierung von Airflow-ETLs und Training von LSTMs/Transformern, um Ausfall- und vorzeitige Rückzahlungsraten auf MBS-Portfolios vorherzusagen.
• Entwickelte Deep-Learning-NLP-Lösungen mit BERT und LayoutLM für die Dokumentenverarbeitung und nutzte Transfer Learning sowie benutzerdefinierte PyTorch-Loss-Funktionen, um Underwriting zu automatisieren.
• Optimierte F&E-Zyklen durch Bayessche Tuning, Batch-Normalisierung und MLflow-Tracking, um eine robuste Modellleistung während volatiler Hypothekenmarktzyklen sicherzustellen.
• Produktionsreife MLOps-Infrastruktur mit Docker und INT8-Quantisierung bereitgestellt und latenzarme FastAPI-Mikroservices auf AWS SageMaker mit automatisierten CI/CD-Pipelines ausgerollt.
• Gewährleistung regulatorischer Compliance durch Integration von SHAP/LIME für Erklärbarkeit und Einrichtung eines Echtzeit-Data-Drift-Monitorings, um strenge FHFA- und Fair-Lending-Standards zu erfüllen.

• Gestaltung und Optimierung von Prompts für KI- und maschinelle Lernmodelle, um Logik, Problemlösung und wissenschaftliche Genauigkeit zu verbessern.
• Bewertung der Modellleistung und strukturierte Rückmeldungen zur Erhöhung von Konsistenz, Zuverlässigkeit und Interpretierbarkeit.
• Nutzung datenbasierter Erkenntnisse zur Verfeinerung von KI-Ergebnissen für technische und wissenschaftliche Anwendungen.
• Aufbau praktischer Erfahrung im maschinellen Lernen, in der KI-Evaluation und im Prompt-Engineering für wissenschaftliche Anwendungsfälle.