Machine Learning Experten in Köln
, die innerhalb von Minuten aus über 15.000 Lebensläufen ausgewählt werdenBeauftragen Sie Experten, die mit Python, PyTorch, TensorFlow und modernen MLOps-Praktiken prädiktive Modelle, Empfehlungssysteme und Computer-Vision-Lösungen entwickeln. FRATCH bringt Sie schnell und präzise mit geprüften, verfügbaren Freelancern für Ihr Projekt zusammen.
Lerne FRATCH Experten in Köln kennen, die kürzlich Machine Learning eingesetzt haben
Hooman B.
Letzte Position:
Fullstack-Entwickler bei Möbel Roller GmbH
- 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.
Marc R.
Letzte Position:
CTO Coach bei zvoove Switzerland
- Coaching des CTO bei der Übersetzung der Produktstrategie in technische Strategie und der KI-Transformation der R&D-Organisation; als unabhängiger Sparringspartner für strategische und technische Themen
Nenad B.
Letzte Position:
Projekt zur Sicherheits-Videoanalyse bei Airbus bei Airbus
- 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.
Michael K.
Letzte Position:
Unternehmensarchitekt, Lead-Architekt des Transformationsprogramms und Coach bei Schweizer Ministerium
- 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
Beshr A.
Letzte Position:
Systemadministrator – HealthCare IT & Dateninfrastruktur bei Cellitinnen Hospitalvereinigung
- 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.
Hans R.
Letzte Position:
Gründer bei N+One
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.
Fahad R.
Letzte Position:
Data Science – Operationsoptimierung bei Netto-marken
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
Muhammad J.
Letzte Position:
Embedded Linux Praktikant – Entwicklung eines IoT-Sensor-Prototyps bei DHL
- 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.
Sophia W.
Letzte Position:
KI-Ingenieur & Technischer Berater bei Freelance
- 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
Emmanouil T.
Letzte Position:
Senior Analytics Engineer bei Trade Republic Bank GmbH
- 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
Rodion O.
Letzte Position:
Gründer, CTO & Geschäftsführer bei MYNR Product Mining GmbH
- 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.
Markus G.
Letzte Position:
Full Stack Entwickler bei REWE Digital
- 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
Kevin B.
Letzte Position:
Prokurist und KI-Leiter bei ValueData GmbH
- 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.
Dmitriy D.
Letzte Position:
Freiberuflicher Senior Data Scientist bei Merck KgaA
- AWS
- Genedata Profiler
- Data Lake
- APIs
- RStudio
- GitLab
- Python
- R
- Datenerfassung, -integration und -simulation
- Multiplex-Immunfluoreszenz
- Copy-Number-Variation-Erkennung
- HLA-Typisierung und Analyse des Heterozygotieverlusts
- RNA-Expressionsanalyse
Jeanne Y.
Letzte Position:
Process Engineering Intern bei Procter & Gamble
- Selbständig automatisierte Validierungs-Workflows mit Python initiiert und implementiert, wodurch manuelle Bearbeitung um 58% reduziert und Effizienz gesteigert wurde
- Ein Machine-Learning-Modell zur synthetischen Fehlererzeugung entwickelt, um Ausfallzeiten und Produktionskosten zu senken; lokal und über Databricks sowie Azure AI Factory bereitgestellt
- Ein kleines Datenset mit Bilddaten von Produktionslinien genutzt und dieses Datenset durch Training von Modellen wie cycleGAN und pix2pix erweitert
- Die Linux-basierte Entwicklungsumgebung für das Training von 3D-Modellen aufgebaut und optimiert; Reproduzierbarkeit über GitHub sichergestellt
- Technische Erkenntnisse vor funktionsübergreifenden Teams (Ingenieure, QA, Projektmanager) präsentiert und so die Abstimmung der ML-Lösungen an betriebliche Anforderungen sichergestellt
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Machine Learning einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
12 Jahre (Deutschland: 14 Jahre)
Positionsdauer
1,6 Jahre (Deutschland: 2,8 Jahre)
Positionen pro Freelancer
9
Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Forschung und Entwicklung (F&E)
Häufigste Branchen
Informationstechnologie (IT), Bildung, Einzelhandel
Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Produktentwicklung
Bachelor-Abschluss oder höher
100% (Deutschland: 97%)
Master-Abschluss oder höher
86% (Deutschland: 77%)
Doktortitel
19% (Deutschland: 18%)
Zertifizierungen pro Freelancer
2
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
100% (Deutschland: 98%)
Basierend auf unserem Profilpool, Stand 19 Sep 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in Köln verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, wie viele Freelancer innerhalb dieser Spanne abrechnen.
Durchschnittssätze von Experten in Köln, die Machine Learning einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 19 Sep 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Machine Learning Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (78%)
- Bildung (61%)
- Einzelhandel (48%)
- Automotive (35%)
- Transport und Logistik (35%)
- Fertigung (30%)
- Bank- und Finanzwesen (26%)
- Professionelle Dienstleistungen (26%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Modelle und Anwendungen
Machine Learning ermöglicht es Software, Muster aus Daten zu lernen und Vorhersagen, Klassifizierungen oder Empfehlungen zu erstellen. Unternehmen nutzen es für Nachfrageprognosen, Betrugserkennung, Suche, Personalisierung, Sprachverarbeitung und Bildanalyse. Der richtige Ansatz hängt von den Daten, der Geschäftsentscheidung und den Kosten eines falschen Ergebnisses ab.
Frameworks und Tools
Das Ökosystem umfasst Python-Bibliotheken, Modell-Frameworks und Tools für den Produktivbetrieb. Zu den gängigen Optionen gehören scikit-learn für klassische Methoden, PyTorch und TensorFlow für Deep Learning, Keras für die zugängliche Modellentwicklung sowie Hugging Face für Sprach- und Bildmodelle.
- Datenaufbereitung und Feature Engineering
- Modelltraining, Evaluierung und Abstimmung
- Experiment-Tracking und reproduzierbare Pipelines
- Bereitstellung über APIs, Batch-Jobs oder Cloud-Dienste
Von den Daten in den Produktivbetrieb
Gute Machine-Learning-Arbeit umfasst mehr als die Auswahl eines Algorithmus. Spezialisten prüfen die Datenqualität, definieren zuverlässige Validierungsmethoden, gehen mit Verzerrungen und Data Leakage um und verbinden Modelle mit zuverlässigen Softwaresystemen. Sie können auch MLOps-Workflows für die Versionierung von Datensätzen, die Überwachung von Drift und das sichere erneute Trainieren von Modellen entwickeln.
Wann Freelance-Expertise hilft
Unternehmen holen häufig freiberufliche Fachkräfte hinzu, wenn ein Team einen funktionierenden Proof of Concept, ein Produktionsmodell oder spezialisiertes Wissen für eine klar definierte Phase benötigt. Das ist besonders hilfreich, wenn interne Teams über wertvolle Daten verfügen, aber Erfahrung mit Modellauswahl, Deep Learning oder der Umsetzung im Produktivbetrieb fehlt.
- Ein Prognoseprozess basiert weiterhin auf manuellen Entscheidungen
- Bestehende Modelle liefern bei neuen Daten schlechte Ergebnisse
- Ein Prototyp muss anhand eines Geschäftsfalls getestet werden
- Modelle benötigen Überwachung, Skalierung oder Integration
Zusammenarbeit in Köln
Machine-Learning-Projekte profitieren vom engen Austausch zwischen Datenspezialisten, Produktteams und Fachexperten. Unternehmen in Köln können für Workshops die Zusammenarbeit vor Ort wählen oder sie mit einer Remote-Umsetzung kombinieren, sofern Zugänge, Dokumentation und Entscheidungsprozesse klar geregelt sind. Die Kommunikation auf Deutsch und Englisch kann in lokalen und internationalen Teams gleichermaßen wichtig sein.
Woran man Qualität erkennt
Erfahrene Fachkräfte erklären Abwägungen, ohne sich hinter der Komplexität von Modellen zu verstecken. Sie legen eine aussagekräftige Baseline fest, verwenden geeignete Metriken, dokumentieren Annahmen und testen die Leistung über relevante Gruppen und Bedingungen hinweg. Außerdem berücksichtigen sie Datenschutz, Sicherheit, Erklärbarkeit, Inferenzkosten und die Frage, wie Nutzer mit den Ergebnissen umgehen werden.
Häufig gestellte Fragen
Die Fakten, nach denen Hiring-Teams bei Machine Learning am häufigsten fragen.
Machine Learning wird eingesetzt, um Muster in Daten zu erkennen und daraus Vorhersagen, Klassifizierungen, Empfehlungen oder generierte Inhalte abzuleiten. Zu den gängigen Anwendungen gehören Nachfrageprognosen, Betrugserkennung, Kundensegmentierung, visuelle Prüfung, Verarbeitung natürlicher Sprache und das Ranking von Suchergebnissen.
Machine Learning lernt Verhalten aus Beispielen, während herkömmliche Software Regeln anwendet, die direkt von Spezialisten geschrieben wurden. ML ist hilfreich, wenn Muster komplex sind oder sich im Laufe der Zeit verändern. Regeln lassen sich jedoch leichter erklären und kontrollieren, wenn die Entscheidungslogik stabil und gut verstanden ist.
Machine Learning hängt häufig von Python, SQL, Statistik, Data Engineering und Softwareentwicklung ab. Nützliche angrenzende Fähigkeiten sind Cloud-Infrastruktur, APIs, Docker, Kubernetes, Experiment-Tracking, Datenvisualisierung und MLOps.
Machine Learning-Erfahrung sollte zum Projektrisiko und zur Umsetzungsphase passen. Für eine einfache Analyse oder einen Proof of Concept können fokussierte Modellierungskenntnisse ausreichen, während ein kundenseitiges System stärkere Fähigkeiten in Datenqualität, Evaluierung, Bereitstellung, Überwachung und verantwortungsvoller Nutzung erfordert.
Machine Learning-Projekte können in der Regel remote umgesetzt werden, wenn Datenzugriff, Umgebungen und Verantwortlichkeiten klar definiert sind. Workshops vor Ort in Köln können bei der Anforderungsaufnahme und der Abstimmung mit Stakeholdern helfen, während Modellierung, Tests und Dokumentation häufig gut in verteilten Teams funktionieren.
Machine Learning-Profis sollten das Geschäftsziel, die Einschränkungen der Daten und die Evaluierungsmethode erklären, bevor sie ein Modell vorstellen. Achten Sie auf klare Baselines, reproduzierbare Experimente, relevante Metriken, eine ehrliche Einschätzung der Unsicherheit sowie einen Plan für Bereitstellung und Überwachung.
Machine Learning-Projekte mit tiefen neuronalen Netzen berücksichtigen häufig PyTorch und TensorFlow. Die Wahl hängt vom bestehenden Team, der Modellarchitektur, dem Ziel der Bereitstellung, den verfügbaren Tools und der Fähigkeit des Spezialisten ab, den gesamten Workflow zu pflegen, und nicht allein von der Präferenz für ein Framework.
Machine Learning-Freelancer können eine Datenbewertung, eine Feature-Pipeline, ein trainiertes Modell, einen Evaluierungsbericht, eine Prediction API oder einen Batch-Workflow liefern. Für den Produktivbetrieb können zu den Ergebnissen auch die Bereitstellungskonfiguration, Experiment-Tracking, Monitoring-Dashboards, Dokumentation und ein Prozess zum erneuten Trainieren gehören.
Der durchschnittliche Stundensatz von Freelancern in Köln, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, liegt bei 97 €, was einem Tagessatz von etwa 773 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Köln, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 86% mindestens einen Master-Abschluss und 19% einen Doktortitel.
Freelancer in Köln, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 12 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,6 Jahre.
Die häufigsten Sprachen unter Freelancern in Köln, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (96%) und Französisch (22%).
Die häufigsten Industrien unter Freelancern in Köln, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (78%), Bildung (61%) und Einzelhandel (48%).
Die häufigsten Bereiche unter Freelancern in Köln, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (91%), Produktentwicklung (70%) und Forschung und Entwicklung (F&E) (70%).
Hauptstandorte der FRATCH Experten, die kürzlich Machine Learning eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Berlin 
Hamburg 
München 
Frankfurt 
Stuttgart 
Düsseldorf 
Dortmund 
Essen 
Bremen 
Dresden 
Hannover 
Nürnberg Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!
Philipp Thomaschewski
FRATCH CEO
