Machine Learning Experten in Köln

• Entwicklung der Gesamtarchitektur
• Unterstützung der jeweiligen Workstreams bei der Entwicklung der Architekturen im Bereich Infrastruktur, Rechenzentren, Security und Netzwerktopologie
• Steuerung des Architektenpools
• Unterstützung der Programmleitung beim Aufbau des Transformationsprojektes auf Basis agiler Methoden
• Berücksichtigung von regulatorischen Anforderungen an IT-Projekte in der Bundesverwaltung

• Aufbau einer AI-nativen Coaching-Plattform für Radfahrer: eines dialogbasierten Dynamic Coach, der Trainings- und Erholungsdaten in die Entscheidung für die nächste Einheit übersetzt und täglich verfügbar ist – statt nur in einem statischen Kalender.

• Entwicklung und Einführung einer Full-Stack-Coaching-Erfahrung mit Chat-Fokus auf Next.js und dem Vercel Edge Network, mit agentenbasierten Workflows, die Pläne in Echtzeit an Bereitschaft, Belastung und persönliche Rahmenbedingungen anpassen.

• Entwicklung von Integrationen mit Garmin, Strava, Whoop und intervals.icu, sodass Schlaf-, HRV- und Fahrdaten ohne manuelle Eingabe in die Coaching-Empfehlungen einfließen.

• Produktvision: Hochwertige Coaching-Prinzipien durch die Verbindung adaptiver Trainingslogik mit verständlicher Konversation skalierbar zugänglich machen – nicht durch ein weiteres Metrik-Dashboard.

Projekt: Digitalisierung von Lagerprozessen | Aufbau einer Data-Analytics-Plattform.

• Entwickelte ein webbasiertes System zur Einsatzplanung, das die tägliche Schichtplanung digitalisierte, indem es Mitarbeitenden-Know-how passenden Lagerbereichen zuordnete. Dadurch wurde die manuelle Abstimmung durch einen strukturierten Workflow ersetzt, der im ganzen Standort genutzt wurde und den Führungskräften Zeit bei der täglichen Planung sparte.
• Entwickelte ein Dashboard für die operative Echtzeitübersicht, das Führungskräften den aktuellen Durchsatz der Aufgaben und die offene Arbeitslast in den Lagerbereichen über den Tag hinweg live anzeigte und so half, Überstunden und Leerlaufkosten zu senken.
• Entwickelte eine Optimierungslösung für das Slotting, um die Effizienz beim Kommissionieren zu verbessern und die Kommissionierzeit pro Bestellung zu senken, in enger Zusammenarbeit mit den Operations-Teams vom Konzept bis zum produktiven Einsatz.

Verwendete Technologien: Python, Django, PostgreSQL, Pandas, NumPy, HTML, Java, JavaScript, Docker, Kubernetes, AWS, Power BI, GitHub Actions CI/CD, GitOps, Claude, OpenAI

• Eine modulare C++-20-Embedded-Linux-Acquisition-Software auf einem Raspberry Pi entwickelt, die IMU- und Dual-Kamera-Datenströme mit Genauigkeit im Submillisekundenbereich synchronisiert.
• Retroreflektive und Kontrastsensoren integriert, um die Datenerfassung auszulösen und Lücken zwischen Sortierbahnschienen zu erkennen.
• SPI- und I2C-Sensorkommunikation, GPIO-Interrupt-Verarbeitung mit libgpiod sowie CSV- und JSON-Ausgabe implementiert.
• Eine mehrthreadige Acquisition-Pipeline und eine SPSC-Queue zwischen Acquisition- und Writer-Threads entworfen.
• Einen webbasierten Server mit Python/HTML/CSS aufgebaut und den Prototypen in einem DHL-Lager zur Fehlererkennung validiert.
• Das Softwareverhalten, die Konfiguration und die Ergebnisse dokumentiert, um eine wartbare Übergabe und Weiterentwicklung zu ermöglichen.

• AWS
• Genedata Profiler
• Data Lake
• APIs
• Rstudio
• GitLab
• Python
• R
• Datenerfassung, -integration und -simulation
• Multiplex-Immunfluoreszenz
• Bestimmung von Kopienzahlvariationen
• HLA-Typisierung und Analyse des Verlusts der Heterozygotie
• Analyse der RNA-Expression

• Weiterentwicklung der bestehenden E-Commerce-Plattform auf Basis von SAP Commerce (Hybris), um den wachsenden Anforderungen des digitalen Handels gerecht zu werden.
• Sicherstellung der Skalierbarkeit und Performance des Backends, wodurch die Plattform auch bei hoher Benutzerlast stabil und effizient blieb.
• Entwicklung und Integration neuer OCC REST APIs und Services für modulare Erweiterungen und flexible Anpassungen, um neue Funktionen schnell zu implementieren.
• Optimierung von Datenflüssen und Schnittstellen, was die Effizienz der Plattform und die Systemleistung erheblich steigerte.
• Sicherstellung einer wartbaren und skalierbaren Codebasis durch den Einsatz von Clean Code-Prinzipien, bewährten Design Patterns und einer zukunftssicheren Architektur.
• Reduzierung der Fehlerquote durch umfangreiche Tests mit JUnit, Mockito und Lasttests mit Gatling, ergänzt durch die Einführung automatisierter Testprozesse.
• Verbesserte Systemleistung durch gezielte Refactoring-Maßnahmen und effiziente Datenbankabfragen, insbesondere zur Handhabung von Spitzenlasten.
• Einsatz moderner Cloud- und Monitoring-Tools wie Kubernetes, Google Cloud Platform (GCP) und Grafana, um eine stabile und überwachte Infrastruktur sicherzustellen.
• Deutliche Effizienzsteigerung, Skalierbarkeit und Zuverlässigkeit der Plattform, die nun den Anforderungen eines dynamischen und wachsenden E-Commerce-Marktes gerecht wird.

• 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

• Proof-of-Concept für Echtzeit-Videoanalyse zur Bereitstellung auf NVIDIA Jetson Edge-Geräten entwickelt.
• DeepStream-Pipelines implementiert mit Objekterkennung, Tracking, menschlicher Posenschätzung, Gesichts-Anonymisierung und Bereichseinbruchserkennung.
• Qt/Python-Demo-UI erstellt, die über REST-APIs mit der KI-Pipeline kommuniziert.

• Implementierung von Analytics- und Automatisierungslösungen für die Business Unit Anti Financial Crime
• Bereitstellung der Infrastruktur, inklusive wiederverwendbarer Datenmodelle und Feature-Ingestion für produktive ML- und regelbasierte Modelle in den Bereichen Account Take-Over und Kartenbetrugserkennung sowie Customer Risk Assessment
• Verwendete Tools: Snowflake, dbt, Looker, AWS, Python, Airflow, Metaflow

• Integration medizinischer Modalitäten (u. a. Ultraschall) in die bestehende IT-Infrastruktur (DICOM, HL7) – Inbetriebnahme im geplanten Zeitrahmen.
• Administration und Optimierung von PACS-Systemen für effiziente Archivierung und Verteilung radiologischer Bilddaten an mehreren Standorten.
• Sicherstellung konsistenter Datenqualität und nahtloser Interoperabilität im Datenaustausch zwischen KIS, RIS und PACS.
• Enge Zusammenarbeit mit ärztlichem Personal zur Analyse und digitalen Optimierung klinischer Workflows.
• Anforderungsmanagement und Testkoordination bei der Implementierung klinischer Anforderungen in komplexe IT-Strukturen.

• Verantwortung für Architektur und Entwicklung einer KI-nativen SaaS-Plattform für industrielles Produktportfoliomanagement.
• Konzeption der modernen Datenplattformarchitektur auf Azure für skalierbare Analysen und unternehmensweite Datenintegration.
• Aufbau von Unternehmens-Daten-Ingestions- und Transformationspipelines für komplexe industrielle Systemlandschaften.
• Entwicklung graphbasierter Darstellungen von Produktstrukturen und Abhängigkeiten für analytische Auswertungen.
• Konzeption und Implementierung eines agentischen KI-Frameworks für KI-gestützte Entscheidungsabläufe.
• Aufbau skalierbarer analytischer Microservices und Integration von Reporting mithilfe moderner BI-Technologien.
• Koordination der Backend-, KI- und Frontend-Entwicklung im gesamten MYNR-Plattform-Stack.

• Ein System zur Lagerbewertung wurde auf Basis von Java, Spring Boot und Camunda neu implementiert. Die Backend-Lösung konzentriert sich auf Integration und Batch-Berechnungen, das Frontend auf die Pflege der Formeln und die Überprüfung der Ergebnisse.
• Java 21
• Spring Boot
• JPA
• Maven
• REST
• Kafka
• PostgreSQL
• DB2
• Liquibase
• Google Cloud Storage
• Keycloak
• GitLab CI/CD
• Helm
• Terragrunt
• SonarQube
• Angular
• IntelliJ
• JUnit 5
• Mockito
• Open API

• Leitung von KI-Initiativen für Life-Science-Lösungen, Integration fortschrittlicher KI-Modelle in Unternehmens-Workflows und Sicherstellung einer nahtlosen Bereitstellung.
• Entwerfen und Implementieren von Deep-Learning-Architekturen (PyTorch, Keras) für komplexe biomedizinische Herausforderungen, einschließlich Zellsegmentierung, multimodaler Omics-Analyse und Prognose von Punktwolken.
• Entwicklung und Bereitstellung robuster LLM-basierter Systeme, einschließlich RAG-Architekturen und agentischer Workflows mit LangGraph, um natürlichsprachige Interaktion mit komplexen medizinischen Daten zu ermöglichen.
• Führung funktionsübergreifender Initiativen zur Anwendung von Foundation Models und erklärbarer KI (xAI) in klinischen und evolutionären Algorithmen.

• Implementierte ML-Pipelines für OCR, semantische Suche und Computer Vision
• Integrierte Azure-KI-Agenten und GPT-Workflows für Automatisierung und Qualitätssicherung
• Setzte cloudbasierte FastAPI-Dienste mit skalierbarer Architektur ein
• Erstellte Integrationsdokumentation und beriet zur Produktionsreife von LLMs