Machine Learning Experten in Essen

• Entwicklung einer produktionsreifen Enterprise-AI-Lösung zur automatisierten Verarbeitung von Rechnungen und Geschäftsdokumenten
• Integration von Azure AI Document Intelligence und LLM-Technologien in bestehende Unternehmensprozesse
• Entwicklung robuster REST APIs zur automatisierten Dokumentenverarbeitung und Systemintegration
• Extraktion, Validierung und Speicherung strukturierter Rechnungsdaten in Azure SQL als Grundlage für Analytics- und Machine-Learning-Modelle
• Entwicklung einer AI-basierten Recommendation Engine mit Machine Learning und Deep Learning zur Generierung personalisierter Produktempfehlungen auf Basis historischer Einkaufsdaten
• Implementierung von Logging, Monitoring, Fehlerbehandlung und Validierungsmechanismen für einen stabilen produktiven Betrieb
• Zusammenarbeit mit Fachbereichen zur Definition von Geschäftsregeln und Integration der Lösung in bestehende Enterprise-Prozesse

Technologien: Python, Azure AI Document Intelligence, Azure OpenAI, Azure SQL Database, REST APIs, Machine Learning, Deep Learning, OCR, Pandas, JSON, Workflow-Automatisierung

• Anlernen der KI-Modelle, Bilder und Texte sowie UI/UX bewerten, die bereitgestellten Daten in Insights umwandeln mittels OpenAI Feather im Ablauf des Machine Learnings

Technologien: OpenAI Feather

Tools: Fabric, AWS, dbt, Power BI, SQL, DWH, R, Python

• Unterstützte Kunden bei der Umsetzung eines Architekturdesigns zur Extraktion und Aufbereitung von Daten
• Verantwortete die Konzeption und Implementierung der BI- und DWH-Plattform
• Sicherte die Skalierbarkeit und Performance der Datenplattform

• MVP-fokussierte Full-Stack-Architektur für einen Kunden im Gesundheitswesen bereitgestellt: Vite/React-Frontend, Backend-Services auf Google Cloud Run und Supabase für Datenbank sowie IAM/Authentifizierung.
• Produktanforderungsanalyse unterstützt und eine kostenoptimierte Workload-Platzierung priorisiert, indem Browser-/Edge-Berechnungen umgesetzt wurden, wo möglich, bevor Logik in die Backend-Services verschoben wurde.

• Titel: Verbesserung des syntaktischen Bewusstseins in Transformer-Sprachmodellen für das Hindi-Dependency-Parsing
• Untersuchung des syntaktischen Wissens, das Transformer-Sprachmodelle (RoBERTa, XLM-RoBERTa) für das Hindi-Dependency-Parsing erfassen, einer morphologisch reichhaltigen und ressourcenarmen Sprache.
• Entwicklung strukturbewusster Modellvarianten (Struct_Roberta_hi, Struct_XLMR) durch Integration eines CNN-basierten Parser-Netzwerks zwischen den Transformer-Schichten, inspiriert von der StructFormer-Architektur.
• Durchführung umfangreicher Fehleranalysen einschließlich Auswertungen nach Label, Distanz, Richtung, Satzlänge sowie LVC/Non-LVC.
• Evaluierung der Modelle bei nachgelagerten NLP-Aufgaben (NER, POS-Tagging) unter Verwendung des IndicXTREME-Benchmarks.

Conventional Paradigm Test (CPT) – KI-Evaluation & LLM-Forschung

Entwicklung eines experimentellen Evaluationsansatzes zur Untersuchung von „paradigmatic closure“ in Large Language Models – also der Frage, inwieweit LLMs die grundlegenden Annahmen, Wertungen und Grenzen der Paradigmen erkennen können, innerhalb derer sie Antworten generieren.

Konzeption und Erprobung eines ergänzenden Ansatzes zu klassischen AI-Benchmarks, der nicht primär faktische Richtigkeit oder Task Performance misst, sondern die Fähigkeit von Modellen untersucht, alternative Perspektiven zu erkennen, implizite Annahmen offenzulegen und die Grenzen des eigenen Antwort- bzw. Deutungsrahmens zu reflektieren.

Schwerpunkte: Entwicklung von Evaluationskriterien und Testfragen · LLM Evaluation und Comparative Model Analysis · Prompt- und Response-Analyse · qualitative Klassifikation von Modellantworten · Untersuchung von epistemic compression und value leakage · Benchmark- und Literaturrecherche · Entwicklung strukturierter Bewertungs- und Analyseverfahren

Im Rahmen von CPT wurden u. a. bestehende AI-Evaluationsansätze und Benchmarks analysiert sowie ein minimalistisches Testprotokoll entwickelt, das Modellantworten nach Reaktionsmustern wie DIRECT, CLARIFY, PLURALIST, REFUSE und META-AWARE klassifiziert. TruthfulQA wurde dabei als Testgrundlage für die experimentelle Anwendung und den Vergleich mit bestehenden Referenzantworten eingesetzt.

Technologien & Methoden: Large Language Models (LLMs) · Generative AI · Prompt Engineering · AI Evaluation · TruthfulQA · Benchmark Analysis · Human-in-the-Loop Evaluation · Qualitative Content Analysis · Research & Literature Review

• Patentanmeldung: Ausarbeitung und Bearbeitung europäischer Patentanmeldungen
• LLM-Anwendung: Entwicklung von LLM-basierten Tools für die automatisierte Recherche von Patentdaten und Einsatz von Python-Skripten zur Beschleunigung technischer Prüfungen.

• Führte fortgeschrittene Machine-Learning-Methoden auf groß angelegten Datensätzen zur Ungleichheit für Prognosen, Clusteranalysen und Feature-Importance durch, um die Auswirkungen auf das Wachstum zu bewerten
• Integrierte Daten zur Ungleichheit aus mehreren Quellen in ein einheitliches Panel; wandte reproduzierbare Preprocessing-Pipelines mit Variablenharmonisierung, Ausreißerbehandlung, Normalisierung und Methoden zur multiplen Imputation an
• Veröffentlicht vier Artikel in internationalen, peer-reviewten Fachzeitschriften

• WordPress-Websites verwalten und dabei SEO-freundliche Strukturen sowie eine leistungsstarke Funktionalität sicherstellen
• Google-Ads-Kampagnen erstellen und optimieren, indem Daten genutzt werden, um Conversion-Raten und ROI zu verbessern
• Looker Studio- und Power-BI-Dashboards entwickeln, um Kundenverhalten, Verkaufstrends und digitale Leistung zu verfolgen
• Google Tag Manager (GTM) und Google Analytics (GA4) implementieren, um präzises Event-Tracking und Reporting zu ermöglichen

Konzeption, Planung und Produktionseinführung von zwei KI-Plattformen für industrielle Forschungs- und Engineering-Workflows, von der Use-Case-Identifikation und Anforderungsanalyse über Architekturentscheidungen und Build-vs-Buy-Abwägungen bis zum Go-Live.

• awRAG.io: Identifizierung des Anwendungsfalls (fragmentierte Wissensbasis über verteilte KI-Tools), Definition der Datenanforderungen, Architekturentscheidung für eine mandantenfähige RAG-as-a-Service-Plattform mit DSGVO-konformer EU-Infrastruktur und produktionsreifer Retrieval-Pipeline

• LAIERS.ai: Use-Case-Definition (Kontextverlust in linearen KI-Workflows), strategische Produktentscheidungen zu UX, Kostenstruktur und Multi-LLM-Orchestrierung, Rollout einer räumlichen KI-Konversationsplattform mit proprietärem Kontextmanagementsystem LAICS

• LLMOps-Verantwortung: Qualitätssicherung, Pipelineoptimierung, Sicherheitsarchitektur (OAuth 2.0, SOC 2) und Performance-Monitoring beider Plattformen im Live-Betrieb

• Kernthemen: LLM, RAG, Vektor-Datenbanken, LLMOps, KI-Architekturstrategie, Cloud-Infrastruktur, Datensouveränität

• Ausbau und Betreuung des Produktportfolios für Videoanalyse und Computer Vision
• Erhebung von Anforderungen und Anforderungsmanagement
• Beratung, Projektmanagement und Koordination der Pilotierung sowie des internationalen Rollouts
• Werkzeuge: IP-basierte Kamera- und Videosysteme, Citrix-Administration, OneNote, Microsoft Teams, Node-RED, Office 365, Age Verification, Qognify Umbrella, ThingsBoard, Xovis 3D-Sensoren, AXIS-Kameras, GK Kassensoftware, Atlassian JIRA

• Einführung, Diskussion und Hands-On für einen Kunden aus der Personaldienstleistungs-Branche

• Erstellen des Fachkonzepts einer Dashboard-Lösung für das End-to-End-Management im 5G-Deployment-Team in einer Open-RAN-Architektur
• Entwickeln von Dashboards und Berichten mit Power BI Desktop (Anbindung mit Power Query, KPI-Berechnung mit DAX, Veröffentlichung im Power BI Service)
• Entwickeln von Lösungen mit Power Apps
• Integration von Power-BI-Berichten in Dynamics 365 Business Central

Power BI-Reporting für verschiedene Fachbereiche bei einem Energieversorger umgesetzt. Agiles Projekt: Dabei eigenverantwortliche Organisation und Rücksprache mit Fachabteilungen und IT und regelmäßige Präsentation von Teilschritten und Ergebnissen vor der Projektleitung.