Monte Carlo Simulation Experten in Deutschland

Predapp ist ein Sovereign-AI- und Infrastrukturunternehmen, das KI-Systeme baut, die Organisationen auf ihre Weise besitzen, kontrollieren und einsetzen können, mit voller Datensouveränität. Seit 2015 als CTO und Investor leite ich die Entwicklung der Sovereign AI Platform sowie eine Beratungspraxis für KI-Strategie für Unternehmen, Fractional-CTO-Einsätze und technische Due Diligence für VCs, PE und Family Offices.

• Die Sovereign AI Platform von Grund auf entwickelt und die technische Vision, das Infrastruktursdesign und die Engineering-Roadmap verantwortet; aktuell im Einsatz in einem europäischen Krankenhaus, bei einem Automobilkunden in Deutschland und bei zwei US-Startups, mit aktiven kommerziellen Gesprächen mit zwei führenden europäischen Hosting-Anbietern
• Dubai Health Authority (DHA / Nabidh): KI-Symptomprüfer und Triage-System für die nationale Initiative 'Doctor for Every Citizen' unter HH Sheikh Mohammed bin Rashid Al Maktoum entworfen und trainiert
• Emirates Airlines: KI-Agent für Bodenpersonal entworfen und ausgerollt, um Schulungen zu beschleunigen, die Bearbeitung von Problemen zu verbessern und die Kosten für die temporäre Belegschaft zu senken
• Erklärbares KI-Triage-System entwickelt und an der Universität Heidelberg und im Famagusta Hospital (Zypern) pilotiert; Wartezeiten für Patienten um bis zu 15 % reduziert (Validierung läuft)
• Produktionsplanungs-Engine für ein US-Industrial-AI-Startup gebaut: RL + Monte-Carlo-Tree-Search, wodurch die Planung von Stunden auf Sekunden verkürzt wurde
• Semantische Suchmaschinen mit RAG + Wissensgraphen entworfen und geleitet; Agentic-Text-to-SQL-Lösung für Citizen Data Scientists entwickelt
• Beratung zu KI-Strategie und Reifegradanalysen für Unternehmenskunden, einschließlich Architektur-Reviews, Reifegradbewertungen und Entwicklung von KI-Roadmaps

Selbstständige Erkundung von Methoden zur Entwicklung agentischer KI, von der Idee bis zu einer funktionierenden, öffentlich nutzbaren Anwendung

• Ein interaktives Planungstool zur Modellierung von Altersvorsorge-Entnahmen und Steuerstrategie mit einem agentischen KI-Entwicklungsansatz (Vibe Coding) gebaut – als Beispiel für die eigenständige Untersuchung neuer KI-gestützter Entwicklungsmethoden
• Live-Projektionen für Ausgaben unter Berücksichtigung von Steuern und anpassbare Nutzereingaben geliefert; als kostenlose Browser-Anwendung ohne Installation in Python umgesetzt, mit Fokus auf Nutzbarkeit für nicht-technische Anwender

• 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 hybrider digitaler Zwillinge, um ein tiefgreifendes Verständnis von Prozessen zu ermöglichen
• Unterstützung besserer Entscheidungen und Ergebnisse in der industriellen F&E sowie in der Fertigung

• Mehrere Projekte im polizeilichen Kontext
• Polizeiliche Verfahren/Projekte mit Archimate modellieren und dokumentieren (Ist/Soll) im Kontext von P20 (BKA)
• Software-Architekturen erstellen mit Microservices
• POC-Entwicklungen mit Springboot/Docker/Kubernetes
• Projektgröße: 10 Personen
• Enterprise Architektur Management mit Togaf und Archimate
• Softwareentwicklung Backend Springboot
• Devops mit Kubernetes
• Realisiert mittels: Java 17/21, Springboot 3, P20-Architektur, Togaf, Archimate

• Entwicklung eines Multi-Klassen-Klassifikationsmodells zur Vorhersage der Zusammensetzung von Pflanzen und ihrer räumlichen und zeitlichen Veränderungen anhand von Prädiktoren wie Satellitenbildern, Klimazeitreihen und weiteren Umweltdaten (Landnutzung, menschlicher Einfluss, bioklimatische und Bodenvariablen).
• Entwicklung von Empfehlungssystemen mit Contextual Bandits für eine E-Commerce-Plattform.
• Erstellung von tiefen neuronalen Netzwerkmodellen zur Vorhersage von überschwemmten Gebieten.

• 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.

• Leitender Entwickler von Prof. Valmed, dem ersten LLM-basierten Medizinprodukt (mit RAG auf einem medizinischen Korpus von über 2,5 Mio. Dokumenten), das eine CE-Zertifizierung erhalten hat.
• Entwarf und implementierte eine Cloud-native MLOps-Infrastruktur für die Energievehandels-Analytics-Abteilung von ENBW, wodurch die skalierbare Bereitstellung und Überwachung von Prognosemodellen ermöglicht wurde.
• Entwickelte End-to-End-Test- und Validierungs-Frameworks für KI/ML-Systeme und stellte so Qualität, Konformität und Robustheit in kritischen und regulierten Anwendungen sicher.
• Führte professionelle Schulungen zu KI-Tests, EU-Regulierungsrahmen und Qualitätssicherung für produktive KI-Systeme durch.

• Aufbau einer Databricks-ETL-Pipeline zum Einlesen und Bereinigen von JSON-Buchmetadaten aus der OpenLibrary-API.
• Transformation verschachtelter Datensätze mit Python/PySpark und Strukturierung in kuratierte analytische Tabellen.
• Laden der verarbeiteten Datensätze in Snowflake zur Ermöglichung von SQL-basiertem Reporting und Metadatenanalyse.

• Verantwortlich für die Erstellung und Umsetzung der Risikomanagement-Richtlinie und des Risikoplans, um eine strukturierte Risikoerkennung, -bewertung und -minderung zu gewährleisten
• Führte umfassende Risikoanalysen zu Materialmengen, Beschaffungsplänen und Auftragnehmerleistungen durch, um genaue Prognosen sicherzustellen und Verzögerungen zu verhindern
• Entwickelte und pflegte ein Risikoregister für technische, finanzielle, Sicherheits-, Qualitäts- und Umweltrisiken mit Fokus auf Qualitätssicherung und Mengenkontrolle
• Arbeitete mit Engineering-, Beschaffungs- und Bauteams zusammen, um Abweichungen beim Materialeinsatz und bei Baustandards zu identifizieren, wodurch Nacharbeiten um 18 % reduziert und Materialkosten um 10 % eingespart wurden
• Erstellte monatliche Risikomanagement-Berichte, in denen zentrale Risiken wie Lieferkettenunterbrechungen, Kostensteigerungen und Compliance-Probleme hervorgehoben wurden
• Führte quantitative Risikoanalysen durch, darunter Monte-Carlo-Simulationen und Sensitivitätsanalysen, um die Auswirkungen von Unsicherheiten auf Projektzeitpläne und Budgets zu bewerten

• Untersuchte den Einfluss der Struktur neuronaler Netze auf netzwerkinspirierte Kernel wie den Neural Tangent Kernel (NTK).
• Zeigte durch theoretische Analysen und empirische Studien, dass der RKHS von NNGP ein Unterraum des NTK ist.
• Untersuchte die Verbindungen dieser Kernel zur Matérn-Familie.

• Anbindung der hausinternen Wärmepumpen an EEBus (gemäß GEG §14a)

• Support für Limit- und Monitoring-Usecases beim Stromverbrauch

• Linux Yocto 2.5.4 für armv5e / Yocto 2.5.4–4.3.3 für x86 Target

• g++ 7.3–13.2

• boost 1.85 (Asio/Beast)

• dbus-cxx 2.5.1

• Boost.SML 1.1.11

• CMake-Buildmanagement

• KEO-Json-API 1.3.0

• ktest 4.12.0 (Python Robot-TestFramework)

• Systemisches Agile-Coaching für mehrere Teams und Programme in einer Remote-First-Umgebung bereitgestellt.
• Planungs-, Priorisierungs-, Liefer- und Messrichtlinien neu gestaltet, um den durchgängigen Flow und die Entscheidungsqualität zu verbessern.
• Explizite WIP-Limits, Service-Klassen und Pull-Richtlinien eingeführt, um den Flow zu stabilisieren und unkontrollierte Arbeitsaufnahme zu reduzieren.
• Flow-Metriken und probabilistische Vorhersagen eingeführt, um deterministische, auf Verpflichtungen basierende Planung zu ersetzen.
• Rolling-Wave-Planung und hypothesengetriebene Entscheidungsfindung auf Team- und Programmebene unterstützt.
• Eigene Skripte, Dashboards und Analysewerkzeuge entwickelt, um Flow-Verhalten, Variabilität und Risiken sichtbar zu machen, die in Standard-Jira-Berichten nicht erkennbar sind.
• Ein proprietäres 7-System-Leistungsmodell angewendet, um Engpässe zu identifizieren und gezielte Verbesserungsexperimente zu strukturieren.