Matplotlib Experten in München

• Entwicklung einer modellbasierten KI, in der natürliche Sprache als formale Beziehungen interpretiert wird.
• Begriffe der natürlichen Sprache werden nicht als starr betrachtet, sondern als flexibel. Sie können in einem Kontext ausgehandelt werden, sodass sich die Bedeutung durch iterative Spezifizierung ergibt.
• Entwicklung verschiedenster Modelllösungen.
• Unterstützt durch natürliche Sprache und Datenannotation.
• Von Anforderungen bis zu Code und anderen Lösungen.

• 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

• 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.

• Migration vorhandener Data-Jobs von Cognos Data Manager zu Tibco/IBI Datamigrator
• Parametrisierung der Data-Jobs für dynamische Abläufe
• Optimierung und Reduzierung
• Regressionstests
• Wissensvermittlung und Dokumentation

• Einführung eines integrierten Ansatzes zur Erkennung struktureller Schäden in Beton, Stahl und Glas mithilfe fortschrittlicher Technologien wie LiDAR und Wärmebildgebung. Berücksichtigung materialübergreifender Wechselwirkungen zur Verbesserung der Diagnostik und Ermöglichung einer vorausschauenden Wartung.

• Entwicklung eines NLP-basierten medizinischen Notizvereinfachers, der komplexe klinische Anweisungen in einfaches Englisch auf Kinderniveau umwandelt. Anwendung von Prompt Engineering mit Flan-T5-Transformermodellen, um für Patienten relevante Maßnahmen zu extrahieren und in klare To-do-Punkte umzuschreiben. Entwicklung von Flask- und Tornado-Backends sowie einer druckbaren Weboberfläche.

• Modelle für Chatbots, NLP und LLMs (z. B. Llama, Qwen, OpenAI) erforschen und entwickeln
• Chatbots mit RAG und In-Context Learning verbessern
• Supervised Fine-Tuning (PEFT, LoRA), Huggingface oder Unsloth
• Fortgeschrittene Trainingsmethoden: Test-Time Training, (transduktives) Active Learning, Reinforcement Learning
• Serving mit hohem Durchsatz mit vLLM
• Embedding-Modelle anwenden (z. B. SentenceTransformers), Similarity-/Vektorsuche oder Vektor-DB oder Ranking (z. B. LlamaIndex, Faiss, LangChain)
• Synthetische Daten erzeugen und filtern, Clustering
• Halluzinationen erkennen
• Chatbot-Modelle bewerten (Rouge, BLEU, F1-Score, Recall, Precision)
• Visualisierung von Experimenten (matplotlib)

• Synthetische Datensätze für die Erkennung von CXR, Mammografien und distalen Radiusfrakturen mithilfe von GANs und Diffusionsmodellen generiert und dabei >50k synthetische Bilder für Benchmarking erstellt.
• DSGVO-konforme Prozesse und Reproduzierbarkeit sichergestellt, wodurch die Nutzung des Datensatzes für interne Validierungen und akademische Zusammenarbeit ermöglicht wurde.
• Das Projekt wurde in der internen R&D-Präsentation von MedTank als wegweisende Initiative für synthetische Daten vorgestellt.

• Entwicklung einer Streamlit-ML-Anwendung mit einem RandomForest-Modell (Scikit-learn) zur Vorhersage des Rauchverhaltens. Dabei kamen Pandas, NumPy und Matplotlib für Datenanalyse und Visualisierung zum Einsatz. Bereitstellung auf AWS mit Terraform für EC2, IAM-Rollen und S3-Buckets sowie Pickle zur Speicherung des Modells.

• Vertiefte Kenntnisse in AWS-Services wie S3, EC2, CloudFormation, IAM und Auto Scaling mit Schwerpunkt auf erweiterten Funktionen wie Versionierung, CORS, ETags und Prüfsummen anhand von AWS-Examples-Freecodecamp.

• Entwicklung und Optimierung von CI/CD-Pipelines mit GitHub Actions zur Bereitstellung statischer Websites auf GitHub Pages, mit Verbesserungen bei automatisierter Validierung, Bereitstellung und Wartung.

• Entwicklung und Bereitstellung eines klassischen Snake-Spiels mit Flask, das mit Docker containerisiert und auf Render bereitgestellt wurde.

• Leitung umfassender KI-Workshops für Fachkräfte, Fokus auf KI-gesteuerte Prozessautomatisierung.
• Tech Stack: n8n, Make, LLMs (OpenAI, Anthropic), Prompt Engineering, Process Mapping Tools.

• Entwickelte und implementierte eine vollständige Machine-Learning-Pipeline zur Kundenabwanderungsprognose auf Basis des Telco-Datensatzes.
• Wandte Vorverarbeitungstechniken an, darunter Behandlung fehlender Werte, kategoriale Kodierung, Feature Scaling und PCA.
• Baute und verglich über 15 Modelle (Logistic Regression, Random Forest, XGBoost usw.) und bewertete sie anhand von Accuracy, Precision, Recall, F1-Score, ROC-AUC und PR-AUC.
• Stimmte Hyperparameter mit GridSearchCV ab und erreichte 80,6 % Accuracy mit Random Forest und XGBoost.
• Erstellte visuelle Berichte (Balkendiagramme, Heatmaps, Radardiagramme), um die Modellleistung und die Abwanderungstreiber zu interpretieren.
• Exportierte wiederverwendbare Pipelines und trainierte Modelle mit joblib für die Bereitstellung.

• Entwickelte und implementierte ein robustes, in Python basiertes Datenverarbeitungs-Framework, das den Wechsel von R zu Python ermöglichte und die Produktivität im Data Science deutlich steigerte, indem es wartbare, standardisierte Module für häufig genutzte Workflows bereitstellte und Coding-Best-Practices sowie DevOps-Prinzipien anwandte
• Bewertete, trainierte und implementierte Machine-Learning-Modelle auf Cloud-Plattformen und Edge-Geräten, wodurch vollständig automatisierte Midinfrared-(MIR)-Datenbewertungspipelines entstanden, die manuelle Analyseschritte überflüssig machten und die Zeit von der Messung bis zur Vorhersage für Kunden und interne Stakeholder deutlich verkürzten
• Analysierte und interpretierte multivariate MIR-Spektraldaten des firmeneigenen Analysators mit R und Python und unterstützte so die zuverlässige Identifizierung und Quantifizierung von chemischen Verbindungen in Lösungen

• Leiter der technischen Gesamtintegration NSC (National Secure Cloud, Projekt mit ca. 60 Mitarbeiter).

• Technische Integration von allen Subprojekten in ein Produkt, Definition von Schnittstellen, Basiskomponenten einer Cloud inklusive Hardware, technische Architektur der Basis IABG.

• Entwicklung eines Cloud Management Platforms (CMP), die in der Lage ist, Private/Mixed Cloud von beliebiger Komplexität anhand einer textuellen Beschreibung mit einem Click oder interaktiv zu erstellen.

• CMP beinhaltet auch den kompletten Zyklus Hardware Management.

• Als Basis wird Kubernetes, Openstack und Hadoop benutzt.

• Die Managementschicht beinhaltet Harbor, Gitea, Longhorn, Keycloak, Rancher und Jenkins, die automatisch konfiguriert sind.

• Privat Cloud kann beliebige Workloads von Kunden ausführen, darunter volle Hadoop Schicht mit HDFS, Spark, MapRed, Mezos, HBase und ca. 20 weiteren ML/DL Technologien.

• Hadoop Worker Cluster kann auch ohne Kubernetes on Bare Metal oder Commodity Hardware automatisch installiert werden.

• Openstack mit Nova, Neutron, Ironic, Swift, Cinder, Ceph.

• Entwicklung einer Java Anwendung Rudi: Soap, Rest, Containers, DB.

• Technologien: Kubernetes (K3s, Rke2, Minikube, Harbor, Gitea, Jenkins, Longhorn, Keycloak, Rancher), Openstack (Nova, Neutron, Keystone, Swift, Ceph, Cinder, Sahara, Magnum, Kayobe, Kolla, Bigrost, Ironic), Hadoop (HDFS, Ambari, Solr, Livy, Ranger, YARN, Tez, HBase, Kafka, Hive, Zookeeper, MapReduce, Spark, Oozie, Flink), Virtualizierung (Kubernetes (K3S), VMware, Oracle), Skripting (Ansible, Puppet, Juju, Shell, Groovy, Gradle, Maven).

• Lead-Architekt für die Gestaltung und Umsetzung des Data Lake und der ETL-Pipeline mit dem AWS-Stack
• Leistungsoptimierung der Datenaufnahme der ETL-Pipeline
• Entwicklung der Datenvalidierung mit Great Expectations
• Leitung der Datenmigration für zwei Quellsysteme
• Datenmodellierung in AWS Redshift

MLOps

• Implementierung der Modell-Inferenz mit mlflow und AWS SageMaker
• Feature Engineering für die laufenden ML-Modelle (Recommender Engineer, Clustering)
• Implementierung von Model Registry und Artifactory mit mlflow
• Historisierung und Profiling der Eingabedaten mit AWS Glue Crawler und AWS Data Catalog
• Feature Importance mit mlflow

Tech. Stack: Python 3, AWS Glue, AWS Step Function, AWS Lambda, AWS EventBridge, AWS IAM Role, AWS SageMaker, AWS EC2, AWS Glue Crawler, AWS CloudWatch, MLFlow, ETL, Data Lake, GitHub Action, Terraform, Jenkins, Ansible Playbooks (Infrastructure as Code), CI/CD, GitLab, SQL, PySpark, Scrum, Agile, Jira, Big Data, VSCode, DBeaver, MSSQL, MySQL, Grafana, Docker, Linux, Bash, MapReduce, Datenmodellierung (ORM), Pandas, YAML, SQL-Alchemy

• Skripte für Web-Scraping entwickelt, um über 5000 Produktdaten von der Zalando-Website zu extrahieren und zu parsen.
• ETL-Prozesse mit Apache Spark in CDSW durchgeführt, die Daten in das Hadoop-Ökosystem (HDFS) geladen und mit Hive sowie Impala verwaltet.
• Machine-Learning-Algorithmen implementiert und eine Genauigkeit von 85–90 % bei der mehrklassigen Produktklassifikation erzielt.
• Produkt- und Preisdaten von Zalando in Dashboards mit Otto und Takko integriert, um interaktive Visualisierungen zu erstellen.