Matplotlib Experten in Nürnberg

David O.

KI-Ingenieur

Letzte Position:

Machine-Learning-Forscher bei Pattern Recognition Lab, FAU

Feinabstimmung und Evaluierung alternativer Backbone-Architekturen für den AFFGAN-Handschriftsstil-Encoder, um schriftstellerspezifische Merkmale besser zu erfassen; Benchmarking gegenüber der ursprünglichen Baseline-Architektur und Ersetzung der veralteten VGG19-Architektur durch einen benutzerdefinierten Transformer-basierten Encoder.
Erweiterung des Systems über die Synthese auf Wortebene hinaus zur zeilenweisen Handschriftgenerierung durch Integration und Anpassung einer bestehenden Zeilengenerierungsarchitektur zur Unterstützung vollständiger Sätze.
Bereitstellung der Handschriftgenerierungspipeline als Webanwendung, mit der Nutzer einen Schreibstil auswählen, eigenen Text eingeben und sofort ein entsprechendes Handschriftbild erzeugen können.
Integration von TrOCR in ein Teacher-Student-Destillierungsframework zur Bewertung und Verbesserung der Lesbarkeit generierter Handschrift; Verbesserung der OCR-Genauigkeit um 20% gegenüber der Baseline.
Steigerung der Auswahlraten in Nutzerstudien um 40%, was eine deutliche Verbesserung der wahrgenommenen Qualität und des Realismus der generierten Handschrift gegenüber dem Baseline-Modell zeigt.

Technologien: PyTorch, Python, GANs, CNN, ViT, TrOCR, Streamlit, CUDA.

Muntaha S.

KI-Ingenieur (Freiberuflich)

Letzte Position:

KI-Ingenieur (Freiberuflich) bei Upwork

Erfolgreiche Umsetzung von mehr als 40 KI-Projekten und 23 strategischen Beratungen für internationale Kunden (USA, Europa, Nahost) mit einer Erfolgsquote von 98% und dem Aufbau langfristiger Partnerschaften.
Entwicklung und Bereitstellung produktionsreifer KI-Lösungen in den Bereichen Computer Vision, NLP, Deep Learning und Generative AI (LLMs, RAG-Pipelines, Stable Diffusion, OCR, Chatbots), wodurch Automatisierung ermöglicht und die Effizienz der Kunden um bis zu 70% gesteigert wurde.
Entwicklung und Feinabstimmung großer Sprachmodelle (LLMs), einschließlich Prompt Engineering und Integration in Wissensdatenbanken von Unternehmen, was zu besseren Entscheidungen und weniger manuellem Aufwand führte.
Entwicklung von Echtzeit-Anwendungen für Computer Vision (Erkennung, Segmentierung, OCR) und Integration in Geschäftssysteme, wodurch Genauigkeit und Skalierbarkeit deutlich verbessert wurden.
Beratung von Start-ups und Unternehmen zu KI-Strategie, Architektur und Bereitstellung (Cloud und On-Premise), wodurch die Produktentwicklung beschleunigt und die Markteinführungszeit verkürzt wurde.
Steuerung vollständiger KI-Projektlebenszyklen (Anforderungserfassung, Lösungsdesign, Bereitstellung, Support) in agilen, internationalen und funktionsübergreifenden Umgebungen mit Fokus auf qualitativ hochwertige Ergebnisse.

Pawan S.

Akademisches Projekt

Nuremberg

Letzte Position:

CAPTCHA Recognition using CRNN

Ein CRNN-Modell mit VGG16- und BiLSTM-Backbone zur Erkennung textbasierter CAPTCHAs entwickelt
Eine Zeichenfehlerrate von 9.37% und eine Sequenzgenauigkeit von 68.36% auf Validierungsdaten erreicht
Die Datenaugmentierungspipeline um Verzerrungen, Rausch-Injektion und Störelemente erweitert, um die Robustheit zu verbessern
Eine detaillierte Fehleranalyse zu verwechselbaren Zeichen (O, Q, D) durchgeführt und eine fehlerbezogene Augmentierung vorgeschlagen
Tech Stack: Python, TensorFlow/Keras, OpenCV, NumPy, Matplotlib

Aqsa Y.

Kundenservice-Manager

Letzte Position:

Multilingual Translation Tool - NLP Project

MarianMT-Modelle (Marian Machine Translation) integriert, um eine hochwertige neuronale maschinelle Übersetzung (NMT) sicherzustellen.
Das Laden der Modelle und die Tokenisierung über Hugging Face Transformers verwaltet und für Offline-Caching und Reproduzierbarkeit optimiert.
Geplante Erweiterungen: automatische Spracherkennung, Batch-Übersetzungen und eine optimierte GPU-Inferenz mit PyTorch.

Puranjan B.

Praktikum - Generative KI

Letzte Position:

Praktikum - Generative KI bei Continental

Bilder von Reifen und deren Merkmalsbeschreibungen gesammelt.
Datensatz mit Bild-Metadaten mit pandas bereinigt.
Merkmals-Embeddings der Bilder in der Chroma-Vektordatenbank gespeichert.
Bildaugmentierungen eingesetzt, um die Datensatzgröße zu erhöhen.
sklearn verwendet, um Datensätze zu mischen, und imbalanced-learn, um Klassengrößen im Datensatz auszugleichen.
PyTorch genutzt, um verschiedene neuronale Netze zu trainieren und zu testen.
Modell mit einer eigenen Genauigkeitsmetrik auf Basis einer Ähnlichkeitssuche in ChromaDB validiert.
Vorhersagen der Genauigkeit mit matplotlib visualisiert.
Trainiertes Modell in DreamBooth integriert, um ein Stable-Diffusion-Modell zu trainieren und neue Reifenbilder zu generieren.
Eigenes Docker-Image im Amazon Elastic Container Registry für das Machine-Learning-Skript erstellt.

Ekaansh K.

Masterarbeit – LLM-gestütztes RAG-System