Machine Learning Experten in München

• Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft.
• Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden.
• Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD.

• In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.

Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP

• 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

• Beratung entlang zweier integrierter Felder: Commercial Strategy (Pricing, Vertriebssteuerung, Marketing-Strategie, Markterschließung, Margensteuerung) und Operational Efficiency (Prozessautomatisierung, KI-Integration, Workflow-Design, Last-Mile-Automation).
• Entwicklung kundenindividueller SaaS-Lösungen, explizit abgestimmt auf die konkreten Anforderungen und Prozesse des jeweiligen Unternehmens.
• Durchführung von KI-Schulungen und Change-Management-Workshops für Geschäftsführer und Fachbereiche, einschließlich KI-Kompetenzschulungen mit Teilnahmebescheinigung nach Art. 4 EU AI Act.

• Aufbau eines starken Bewusstseins innerhalb des Unternehmens in Richtung Nearshoring
• Engagement Manager im Competence Center Nearshore
• Verantwortlich für Nearshore-Beratung, Partner-Screening und technisches Onboarding, Konzipierung und Umsetzung von Kooperationsszenarien, Change Management, Stakeholder-Management, Teilnahme an Steering Committees und Zusammenarbeit mit IT- und Fachbereichen
• Eingesetzte Tools: Microsoft Office 365, Microsoft Teams, Azure Devops, Microsoft Sharepoint, Conceptboard
• Kernergebnisse: Etablierung einer Nearshoring-Strategie, erfolgreiche Identifizierung und Implementierung von Outsourcing-Partnerschaften, Durchführung von Change Management und Stakeholder-Management auf höchstem Niveau

• 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

• Entwicklung der Vision, Strategie und Roadmap KI-gestützter Analyseprodukte, um sicherzustellen, dass sie den Geschäftsanforderungen von Vertrieb, Marketing, Finance und Führungsteams in ganz Europa entsprechen.
• Aufnahme von Geschäftsanforderungen, Priorisierung von Funktionen für AI-Produkte und Leitung der agilen Entwicklung von Prognose- und Analyselösungen. Definition von Produktspezifikationen, User Stories und Akzeptanzkriterien zur Sicherstellung einer erfolgreichen Umsetzung.
• Zusammenarbeit mit Business-Stakeholdern, Product Ownern, Data Scientists, ML Engineers und Software Engineers, um AI-Modelle in skalierbare Geschäftsprodukte zu überführen und AI-Erkenntnisse in operative Abläufe zu integrieren.
• Entwicklung und Umsetzung von Generative-AI-Lösungen unter Nutzung von Large Language Models (LLMs), um Berichte zu automatisieren und Abfragen von Unternehmensdaten in natürlicher Sprache zu ermöglichen; dadurch Reduzierung des manuellen Aufwands um etwa 30%.
• Definition von Produktzielen und Erfolgskennzahlen, Überwachung der Produktleistung und Nutzerakzeptanz sowie kontinuierliche Verbesserung des Produkts auf Basis von Nutzerfeedback und Geschäftsergebnissen.
• Aufbau von Data Governance, Standards für Stammdatenqualität und Berichtswesen in SQL-, BigQuery- und Power-BI-Umgebungen, um zuverlässige, sichere und skalierbare Analysen sicherzustellen.

• Spezifikation von Business Intelligence und KPIs sowie Erstellung eines Playbooks für 35 europäische Unternehmen.

• Data Engineering: Konzeption und Implementierung skalierbarer Datenpipelines
• Legacy-Migrationen zu Microsoft Fabric (Lakehouse, Dataflows Gen2, Pipelines)
• BO-Universe-Migrationen zu MS Fabric / Semantic Models / Power BI
• Taskforce für datengetriebene Transformationsprojekte nach Azure Fabric / Oracle / MSSQL

"Reasoning Models: Von den Grundlagen der LLMs zur NOC-Automatisierung."

• Entwicklung einer leistungsstarken Anzeigenbereitstellung 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 Solvers, Pytorch, Pandas, Docker

• 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).

• Entwurf durchgängiger KI/ML-Lösungen mit starkem Fokus auf fortschrittliche LLM-Anwendungen, autonome agentische KI-Workflows mit dem MCP-Toolset, Berechnungen von vLM-Embeddings und robuste agentische RAG-Pipelines, um für Kunden aus verschiedenen Branchen einen konkreten Geschäftsnutzen zu schaffen.
• Entwicklung intelligenter agentischer KI-Workflows zur Automatisierung des Abrufs von Wissen und der Schlussfolgerungen für B2B-Kunden, um schneller Geschäftsnutzen zu erzielen.

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.