Machine Learning Experts in Munich

• Deployment und Skalierung bestehender ML-Initiativen, unter anderem für Demand- und Cashflow-Prognosen.
• Aufbau eines belastbaren Monitorings mit MLflow für Datenstabilität, Modellperformance und Drift-Erkennung sowie Umsetzung zusätzlicher ML-Use-Cases.
• Weiterentwicklung eines Agentic-AI-Chatbots zur transparenten und verständlichen Modellerklärung.

• Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
• Implementierung automatisierter End-to-End-Cloud-Prozesse
• Entwicklung von LLM- und NLP-Modellen
• Erstellung interaktiver Reports
• Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten

• KI-Integration (LLM & RAG): Konzeption und Aufbau eines internen, intelligenten RAG-Systems (Retrieval-Augmented Generation) auf Basis von LLMs, n8n und Vektordaten zur automatisierten Analyse technischer Dokumente und Fehlerprotokolle.
• Konzeption & Implementierung: Design einer robusten RS-232/UART-Kommunikationsschnittstelle für ein SBC-basiertes Embedded-Gerät zur Steuerung medizinischer Shaker-Systeme.
• Architektur & Protokolldesign: Umsetzung einer hochgradig wartbaren Softwarestruktur (OOP, SOLID) und Definition hardwarenaher, resilienter Kommunikationsprotokolle inklusive Multithreading und erweiterter Fehlerbehandlung.
• Qualitätssicherung & DevOps: Testautomatisierung mittels xUnit, Integrationstests direkt am Hardware-Target und Pflege der technischen Dokumentation nach strengen Medizintechnik-Standards via Azure DevOps.

Label: C#, .NET, LLMs, RAG, n8n, RS-232, UART, Multithreading, async/await, xUnit, gRPC/protobuf, Blazor, MudBlazor, EF Core, Visual Studio 2026, Azure DevOps

• Gesamtverantwortung für den Projektlebenszyklus von der Umfangsdefinition bis zum Abschluss
• Enge Zusammenarbeit mit Plattform-Teams, IT-Führungskräften und externen Dienstleistern
• Anwendung von SAFe-Prinzipien und strukturierte Sprint-Arbeit
• Erstellung eines Migrationsfahrplans mit klaren Meilensteinen
• Überwachung des Lifecycles: Onboarding, Repository-Migration, Replikation von Berechtigungen und Systemtests
• Visualisierung der Architektur mit PlantUML und Gliffy sowie Dokumentation in Confluence
• Regelmäßige Statusberichte und Durchführung von Wissenstransfer-Sessions

• Erstellte ein multi-agentisches System, unterstützt von einem Wissensgraphen, um das Verfassen von Forschungsarbeiten zu automatisieren
• Setzte mehrere Experten (OpenAI-Modelle) ein, die beim Verfassen zusammenarbeiteten
• Extrahierte nützliche Informationen aus dem Wissensgraphen
• Technologien: LangChain, LangGraph, Smolagents, LlamaIndex, dspy
• Infrastruktur: Terraform und GitHub Actions (CI/CD) auf AWS
• Stellte die erste Anwendung als Streamlit-App bereit

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

Leitung der End-to-End-Entwicklung von Edge-AI-gestützten Smart Glasses für sehbehinderte Menschen, Abstimmung der Produktvision mit den Nutzerbedürfnissen und Führung eines cross-funktionalen Teams aus Data Scientists, Android-Entwicklern, AWS-Ingenieuren und Hardware-Spezialisten.

• Produkt-Roadmap für Edge-AI-Smart-Glasses definiert und MVP-Features durch Nutzerforschung, Stakeholder-Interviews und Wettbewerbsanalyse festgelegt, mit Fokus auf Barrierefreiheit und Praxistauglichkeit.
• Einen PoC für die KI-gestützte Erkennung von Krebszellen in PET/CT-Scans entwickelt und validiert, in Zusammenarbeit mit medizinischen Experten zur Optimierung von Diagnosegenauigkeit und klinischer Relevanz.
• Ein multidisziplinäres Team von über 75 Ingenieuren, Praktikanten und Designern in Deutschland und Indien aufgebaut und skaliert, um grenzüberschreitende Zusammenarbeit und iteratives Prototyping voranzutreiben.
• Strategische Partnerschaften mit NGOs, Gesundheitsdienstleistern und Interessenverbänden aufgebaut, um Inklusion und Patientenfeedback in das Produktdesign einzubinden.
• Praktische Hardware-Software-Integration mit Raspberry Pi und Jetson Nano von KI-Modellen vorangetrieben. Beziehungen zu Lieferanten, Herstellern und Partnern im Ökosystem initiiert und gepflegt, um skalierbare Go-to-Market-Pläne aufzubauen.
• Wichtige Produktentscheidungen verantwortet, von der Prototypenentwicklung bis zur Finanzierungsstrategie, mit datenbasiertem und wirkungsorientiertem Ansatz.
• Eine lernorientierte Kultur gefördert, indem Brainstorming-Sessions und kontinuierliche Feedback-Schleifen zwischen Engineering und Produkt moderiert wurden.

Erfolge:

• Redner: Auto.Ai 2025 (Berlin), Wearable Technologies 2025 (München und Bangalore), MEDICA 2024 (Düsseldorf)
• WMF, Bologna, Italien (Juni 2024): Einziges KI-Startup aus Deutschland, das als EBV-Hero ausgewählt wurde, um sprhava auf einer globalen Plattform zu vertreten
• Medica, Deutschland (2024): Vortrag über KI-Smart-Glasses auf der größten Healthcare-Messe der Welt gehalten.
• Wearable Technologies, Bengaluru, Indien (Dez. 2024): Ich war Sprecher und habe sprhava und sein Produkt vorgestellt.
• Venturise Global Challenge (GIM 2025, Bengaluru Palace, Karnataka): sprhava wurde als eines der 16 Top-Startups (ESDM) ausgewählt, um auf dieser globalen Plattform zu präsentieren
• Wearable Technologies Conference 2025 EUROPE, München, Deutschland (Mai 2025): Vortrag über Edge AI auf Europas größtem Wearable-Tech-Event gehalten.
• InsurNext Köln, Deutschland (2025): sprhava wurde von der Stadt Köln mit einem Stand geehrt.

• Entwicklung und Pflege von IT-Architekturen mit Embedded-Linux-Systemen.
• Design, Implementierung und Optimierung von Backend-Applikationen und skriptbasierten Lösungen.
• Analyse und Behebung von Störungen inklusive Troubleshooting und Anwenderbetreuung.
• Entwicklung und Umsetzung von Sicherheitskonzepten für Cloud-Lösungen.
• Administration von Netzwerken (DHCP, DNS, NTP, VPN).
• Technologien: Linux, PowerShell, Bash, Python, Ansible, Kubernetes, Gitlab CI.
• Methoden: Kanban.

• Entwicklung von High-Performance-Ad-Auslieferung über Auktionen
• Ganzheitliche Optimierung der Anzeigenplatzierung (multi-campaign & multi-channel)
• Algorithmische Optimierung für NP-Hard/NP-e
• Multiple Knapsack Problem mit Nebenbedingungen
• Online-Schätzung von Parametern in stochastischen Umgebungen

Tools: Python, R, Kotlin, MILP/SAT/CP-Solver, Pytorch, Pandas, Docker

• Führte die Umstellung von einer regionalen auf eine segmentbasierte GTM-Struktur durch und stellte dabei regionale Verantwortung, Fokus und Rechenschaftspflicht wieder her, insbesondere im wachstumsstarken MSP-Partnersegment.
• Entwarf und operationalisierte eine funktionsübergreifende GTM-Engine für den Partnerkanal, wodurch skalierbare, datengesteuerte Upsell- und Cross-Sell-Programme ermöglicht wurden.
• Etablierte einen agilen, datengesteuerten Betriebsrhythmus mit einem einheitlichen Geschäftsplanungs- und Ausführungsmodell, einschließlich QBRs, Forecast-Reviews und GTM-Planungs-Cadences.
• Führte 360°-Business- und Partner-Analytics ein und schuf umsetzbare Transparenz in Bezug auf Leistung, Partnerbeiträge, Abwanderungssignale und Wachstumspotenzial in den Mid-Market-Segmenten.
• Restrukturierte und richtete RevOps-Teams neu aus, führte segmentbezogene Rollen, ICP-basierte Kontensegmentierung und einen klaren Fokus auf Expansionsstrategien ein.
• Verfasste und implementierte das unternehmensweite SaaS-Playbook, übersetzte die SaaS-Strategie in standardisierte GTM-Praktiken und startete ein modulares Schulungsprogramm, um regionale und fachliche Teams aufeinander abzustimmen.

BMW AG · Mercedes-Benz AG · Munich Re · CARIAD / VW Group

• Leitung der UX- und Produktausrichtung von PromptM, einer Enterprise-KI-Plattform für Prompt-Management bei BMW, inklusive Design von Human-Agent-Interaktionsmodellen, rollenbasierten Governance-Flows und einer Playground-Testumgebung zur Validierung und Iteration von Prompts
• Neugestaltung von Versicherungs-Workflows bei Munich Re, inklusive Neuaufbau von Formularlayouts, besserer Priorisierung von Feldern nach Nutzerbedürfnissen und Einführung neuer Design-Komponenten in das bestehende Produktsystem
• End-to-End-UX bei BMW Shopfloor geleitet: User Flows, Wireframes, Usability-Tests und ein Figma-Designsystem, das von 5+ agilen Squads übernommen wurde, wodurch die Auftragsbearbeitungszeit um 35 % reduziert wurde
• UX Coach bei Mercedes-Benz, Weiterbildung von 50+ Teammitgliedern in User Research, Usability-Testing und agilen UX-Methoden; Reduzierung des Design-to-Dev Handoffs um 30 %
• Moderation von 10+ Design Sprints und Discovery Workshops; konsequente Umsetzung von WCAG 2.1 AA-Barrierefreiheit in allen Deliverables

• Governed Multi-Agent-Orchestrierung für regulierte, in der EU ansässige Unternehmen – selbst hostbar, EU-AI-Act- und DSGVO-konform („by design“), BYOM (eigene Modelle/GPU).
• Zwei-Gate-Governance: Agenten-Deliberation + verpflichtende menschliche Freigabe, vollständiger signierter Audit-Trail; Graduated-Autonomy-Modell („intern → autonom pro Skill“).
• Verifizierter Wissensgraph („Company Brain“) mit Quellenbeleg pro Antwort; eigenes Orchestrierungs-Framework (Virtual Team Framework).
• Branchenlösungen für Financial Services: Compliance-Monitoring, Rechnungs- und Vertragsprüfung; praktische Entwicklung mit LLMs (u.a. Anthropic/Claude), agentischen Workflows, RAG.
• Aufbau der governance-orientierten Multi-Agenten-Plattform TeamIntel (siehe KI-Referenzprojekte).

• Es ist wie ein Start-up innerhalb von REWE, wo wir von Grund auf ein neues Prognosesystem auf der Google Cloud Platform aufbauen müssen. Offiziell heißt meine Rolle MLOps, aber meine eigentlichen Aufgaben umfassen auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) sowie Aufgaben von Data Scientists wie Feature Engineering und Modelltraining.
• GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
• Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT für die Implementierung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert

• Entwicklung und Wartung von Hardwaretreibern in C++
• Durchführung von Unit- und Integrationstests zur Sicherstellung der Codequalität
• Fehlersuche und Beheben von Fehlern mit Hardware-Team und FPGA-Team
• Definition und Entwicklung von Softwarekonzepten und Abstimmung mit Software-Architekt
• Erweiterung der Testautomatisierung zur Effizienzsteigerung
• Forschung und Entwicklung von Algorithmen zur Verbesserung der bestehenden Codebasen (Laufzeit, Speicherplatz, Genauigkeit)