Machine Learning Experten

• Untersuchung des Zusammenhangs zwischen Wirbelstromprüfsignalen (ECT) und mikrostrukturellen Eigenschaften
• Erkennung verborgener Muster in ECT-Daten, die grundlegende Materialeigenschaften widerspiegeln
• Entwicklung und Validierung prädiktiver Modelle zur Klassifizierung und Quantifizierung der Mikrostruktur unter Verwendung von Härte und Randschichthärtetiefe als Referenzwerten
• Anwendung der Bayes'schen Strukturgleichungsmodellierung für fortgeschrittene Datenanalysen

Ich unterstütze Dialpads Bereich Telephony Engineering als technischer KI-Berater und entwickle gleichzeitig KI-Produkte in der Praxis. Aktuell entwickle ich MCP-basierte Werkzeuge für KI-Text- und Sprachagenten: Agentenerstellung, Integrationen und Übernahme bestehender Agenten, gemeinsame Authentifizierung und API-Verträge sowie dauerhaften Workflow-Zustand. Dazu gehören Text- und Sprachtests, die das Agentenverhalten, die Latenz und die Aufgabenerledigung bewerten.

Parallel unterstütze ich Dialpads Ingenieure bei der Einführung von QualityLayer und beim effektiven Einsatz von Claude Code und Codex. Diese laufende Arbeit umfasst Kontextverwaltung für große Codebasen, wiederverwendbare Planen-Implementieren-Testen-Prüfen-Workflows mit CI/CD-Anbindung, Leitfäden, praxisnahe Workshops, Labs und Pair Programming.

Technologien: KI-Agentenprodukte (Text- und Sprachagenten, MCP, LLMs, Python, TypeScript), Agentenwerkzeuge (Erstellung, Integrationen, OAuth, dauerhafter Zustand), Qualität & Evaluierung (Text- und Sprachtests, Evals, Regression, Traces), Agentic Engineering (Claude Code, Codex, QualityLayer, Hooks, Prompts), Kontext-Engineering (RAG, Vektorspeicher, Codebase-Embeddings), Softwarebereitstellung (CI/CD-Integration, agentische Schleifen, PR-Automatisierung), Befähigung & Coaching (Workshops, praxisnahe Labs, Pair Programming)

Ich habe eine Self-Service-AWS-Plattform für Data-Science-Teams mit wenig oder keiner Erfahrung mit Infrastructure as Code entworfen und entwickelt. Ein Team schreibt etwa 10 Zeilen Python und erhält einen bereitstellbaren Stack mit vollständigem SDLC-Release-Zyklus, der bereits den Governance-Regeln folgt. Netzwerk, Verschlüsselung, IAM und Tagging werden von der Plattform festgelegt, nicht von jedem einzelnen Team.

Neue Teams oder AWS-Konten werden mit einem Pull Request eingebunden. Die Vermeidung von Verschwendung und die Kostenkontrolle sind standardmäßig integriert: Data Scientists benötigen keine Infrastrukturkenntnisse.

• Construct-Bibliothek (AWS CDK, Python). Aufbau eines versionierten Katalogs mit etwa 20 gehärteten Constructs für den Einsatz in Data-Science-Projekten mit ML-Kontext
• Governance as Code
• Multi-Account, Multi-Tenant
• Scaffolding für den Golden Path
• CI/CD und Supply Chain. Erstellung wiederverwendbarer GitHub-Actions-Workflows
• Release Engineering
• Qualitätssicherung mit E2E-, Contract- und Unit-Tests bei jedem Release Candidate

• Konzeption, Entwicklung und produktiver Rollout eines Enterprise HR Copiloten auf Basis von Microsoft Copilot Studio zur Automatisierung interner HR Prozesse
• Entwicklung eines AI gestützten Assistenten zur Beantwortung von Mitarbeiteranfragen auf Grundlage einer SharePoint Wissensdatenbank und unternehmensinterner HR Dokumentation
• Integration des Copiloten in Microsoft Teams inklusive Begrüßungslogik, Benutzerführung und rollenbasiertem Routing
• Automatisierung von HR Prozessen und Genehmigungsworkflows mit Microsoft Power Automate zur Reduzierung manueller Bearbeitungsschritte
• Entwicklung realistischer HR Dokumente und Antwortvorlagen mit Azure OpenAI unter Berücksichtigung fachlicher Anforderungen und konsistenter Unternehmensrichtlinien
• Implementierung von Prompt Strategien, Wissensmanagement und Response Optimierung zur Verbesserung der Antwortqualität und Benutzerakzeptanz
• Enge Zusammenarbeit mit Fachbereichen zur Analyse von Anforderungen sowie Integration der AI Lösung in bestehende Unternehmensprozesse

Technologien:

Microsoft Copilot Studio, Microsoft Teams, Azure OpenAI, SharePoint, Power Automate, Power Platform, Microsoft 365, Prompt Engineering, Workflow Automation

• Neugestaltung der BI-Infrastruktur des Unternehmens: Ablösung einer fragmentierten Landschaft aus manuell gepflegten Excel-Lösungen und CSV-Importen durch eine zentralisierte Power-BI-Umgebung mit einem einheitlichen Datenmodell als unternehmensweiter Single Source of Truth
• Konsolidierung zuvor isolierter Reporting-Logiken in einem zentralen semantischen Modell – Eliminierung redundanter Dateien, manueller Datenübergaben und widersprüchlicher Kennzahlen zwischen den Fachbereichen
• Forecasting & Planung: Konzeption und Umsetzung einer unternehmensweiten Liquiditätsplanung in Power BI – von der fachlichen Logik bis zum vollautomatisierten, datenquellengetriebenen Planungsmodell als Ersatz für den bisherigen manuellen Excel-Prozess; ermöglicht rollierende Forecasts und laufend aktuelle Cashflow-Transparenz für die Geschäftsführung
• Optimierung bestehender Power-BI-Dashboards hinsichtlich Performance, Struktur und analytischem Mehrwert mittels AI-nativem Ansatz
• Analyse und Verbesserung des Datenmodells inkl. Datenqualitätsanalysen, Datenbereinigung und konsistenter Modellierung über Star Schema, DAX und Power Query
• Incident- & Anomalieanalyse: Identifikation, Untersuchung und Erklärung von Datenanomalien inkl. Root-Cause-Analyse und konkreten Handlungsempfehlungen
• KI-Lösungsarchitektur: Anbindung von Business Central und Power BI an LangDock via MCP (Model Context Protocol) für KI-gestützte Datennutzung
• Aufbau eines historischen Datenlayers als Basis für Trend- und Zeitreihenanalysen
• KI-gestützte Automatisierung: Konzeption und Entwicklung von KI-Skills, -Agenten, -Loops und -Prozessen zur automatisierten Analyse und Interpretation von Reports
• Automatisierter Reporting-Workflow: Einrichtung eines geplanten, automatisierten E-Mail-Versands KI-generierter Analysen und Empfehlungen an Stakeholder
• Erhebung und Dokumentation fachlicher Anforderungen sowie Abstimmung mit Fachbereichen und IT im Rahmen von Requirements Engineering / Product-Owner-Tätigkeiten
• Herunterbrechen der Gesamtanforderungen in klar definierte Arbeitspakete und Tasks
• Definition, Priorisierung und Steuerung von Meilensteinen über den gesamten Projektlebenszyklus

Tools: POWER BI, M365, Copilot Studio, MIRO, Microsoft Business Central, Microsoft Fabric, Claude AI, ChatGPT, LangDock, MS VS Code

• Claude-Code-Subagenten, MCP, Pydantic V2, pytest, bandit

• 3 spezialisierte Agenten entwickelt und produktiv eingesetzt, die die Arbeit entlang einer Kette weitergeben: Ein Forschungsagent erstellt eine zitierte Implementierungsspezifikation, ein Coding-Agent entwickelt den modularen Code und seine Tests, und ein Review-Agent bewertet die Ergebnisse nach Schweregrad und setzt die Korrekturen um. Jede Übergabe erfolgt als strukturiertes Dokument, sodass keine Phase vom Kontextfenster eines anderen Agenten abhängt.

• Den Forschungsagenten mit einem MCP-Server für akademische Recherche verbunden (Semantic Scholar, ArXiv, Hugging Face Hub, Zitationsverfolgung), sodass jede Referenz auf ein Tool-Ergebnis und nicht auf das Modell zurückgeht. Commits hinter ruff, mypy, pytest und bandit abgesichert, menschliche Freigabe vor Installationen und Commits verlangt und den Sitzungsstatus auf der Festplatte gespeichert, damit lange Läufe einen Kontext-Reset überstehen.

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

Auf Evidenz basierende Health-Intelligence-Plattform, die veröffentlichte Forschung in persönliche Gesundheitsprotokolle übersetzt. Sie bewertet 430 Gewohnheiten, Lebensmittel und Supplements anhand der Studien dahinter und passt den Score an, wenn sich die Evidenz ändert. Allein aufgebaut.

• Die tägliche Ingest-Pipeline über PubMed, bioRxiv und medRxiv aufgebaut: 43.000+ Papers aus 3.400+ Journals verarbeitet zu 230.000+ typisierten Evidenz-Claims, jeder einzelne zurückverfolgbar bis zur Studie, aus der er stammt.
• Das sechs Faktoren umfassende Evidenz-Scoring-Modell und das öffentliche Changelog dahinter entworfen, damit keine Empfehlung ohne die zugrunde liegenden Papers erscheint. Bis heute 23.000+ Score-Änderungen erfasst und erklärt.
• Das Entity-Informationsmodell aufgebaut, das jede Intervention mit ihren Mechanismen, Biomarkern und Outcomes verbindet: 118 Biomarker mit regionsspezifischen Referenzbereichen, 77 Mechanismen, 32 bewertete Outcomes.
• Die Personalisierungsschicht gebaut: Ingestion von Blutwerten, die Labor-PDFs mit einem Vision-Modell ausliest und Ergebnisse anhand der Aufwachzeit des Nutzers korrigiert, plus Integration von Oura, WHOOP und Withings für den täglichen Readiness-Kontext.
• Elf spezialisierte Review-Agents über Korpus und Codebase betrieben, für Paper-Kuration, Retrieval-Qualität, Health-Claim-Compliance über EU- und US-Regime hinweg sowie Security.
• Den Evidence Assistant ausgeliefert, einen RAG-Assistenten, der aus der Claim-Datenbank antwortet und die zugrunde liegenden Papers zitiert, plus eine B2B-Practitioner-Stufe, eine Expo React Native App und Lokalisierung in 3 Sprachen und 7 Märkten.

Stack: Next.js 16, TypeScript, Supabase, pgvector, Anthropic Claude, Vercel, DeepInfra.

Reifung ihrer API-Praktiken sowohl auf Business- als auch auf Technologieebene. Meine Rolle umfasst Strategie, Architektur, Developer Advocacy sowie hands-on Software Engineering und ermöglicht es sowohl technischen Teams als auch dem Business-Management, API-zentrierte Prinzipien effektiv zu übernehmen und anzuwenden. Gleichzeitig etablieren wir mit diesem Projekt auch GitOps, DX und Platform Best Practices.

Highlights:

• Abstimmung mit Executives auf die Initiative durch Klarstellung der Strategie, Ersetzen von Missverständnissen und Mythen durch Fakten, Verdeutlichen des Werts bestehender Assets und Ermöglichen fundierter Entscheidungen
• Entwicklung eines Vorgehens für das API Lifecycle Management bei OTTO
• Vorantreiben des Plattformfortschritts und Förderung des Entwicklerengagements durch hands-on Engineering-Arbeit in Richtung strategischer Ziele

API Lifecycle Management, Team Topologies, Organizational Evolution, Regulatory, Platform Advocate, Developer Platform, Communities of Practice, Terraform, Kotlin, Kafka, Kong, WSO2, Apigee, Gravitee, Backstage, AsyncAPI, OpenAPI, API Design, AWS, React, Node.js, TypeScript, Redocly, Reactive Programming, CDC, Golang, Gin-Gonic, GitOps, DX (Developer Experience), Stakeholder Management, Roadmaps, Workshops, Discovery.

Stabilisierung einer Azure-/.NET-Landschaft im laufenden Betrieb.

• Architektur, DevOps und Betriebsfähigkeit; technische Entscheidungen unter Zeitdruck
• Azure DevOps, Monitoring, ETL/ELT, Cloud Security, FinOps und Data-Mesh-nahe Themen

Technologien: Azure DevOps, .NET, CI/CD, Monitoring, FinOps

Ich erweitere kontinuierlich meine Expertise im Bereich KI und Automatisierung, arbeite mit ChatGPT, OpenAI, Manus, Gemini, MS CoPilot, API, LangChain, Hugging Face, Manus, TensorFlow und Auto-GPT sowie Python-basierten ML-Frameworks und MLOps-Tools, um klassische Softwareentwicklungs-, Analyse- und Testprozesse intelligent zu transformieren.

• Analyse, Strukturierung und Dokumentation fachlicher Anforderungen für digitale Investmentlösungen (z. B. Robo-Advisor).
• Konzeption und Design von Applikationen für neue Altersvorsorgeprodukte inklusive User Flows, UX-Anforderungen und funktionaler Spezifikation.
• Modellierung und Optimierung von Geschäftsprozessen sowie Abstimmung mit Stakeholdern unter Berücksichtigung regulatorischer Anforderungen im Finanzbereich.

• LLM-basierte Funktionen zur automatisierten CO₂e-Datenextraktion aus unstrukturierten Dokumenten (70% Reduktion)

• Agentische AI-Pipeline für die automatisierte Berechnung von Scope 3-Emissionen mit 150.000+ validierten Datensätzen

• Intelligente API-Workflows für Echtzeit-Carbon-Footprint-Berechnungen in ERP- und ESG-Systemen

• ML-Algorithmen zur Vorhersage von Emissionshotspots und zur Optimierung des Produktdesigns

• Automatisierte Datenvalidierungs-Pipelines mit NLP zur Qualitätssicherung von CO₂e-Datensätzen

• Leitung eines 15-köpfigen cross-funktionalen Teams zur Entwicklung von 10+ AI-Funktionen

• Strategische Produktplanung und AI-Roadmap mit 35% kürzerer Time-to-Market

• Stakeholder-Management mit DAX-Unternehmen (40% höhere Zufriedenheit, 95% Retention)

• Termingerechte Projektumsetzung mit 95% Budget-Einhaltung durch datengetriebenes Backlog-Management

• Agile Methoden (Scrum, Kanban) mit kontinuierlicher AI/ML-Integration (25% Team-Velocity-Steigerung)

• Product-Market-Fit für AI-Funktionen durch A/B-Testing und Analytics (60% höhere Adoptionsrate)

• 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.