Monte Carlo Simulation-Experten in München

Philipp G.

Machine-Learning- & Data-Engineer

München

Letzte Position:

Data Scientist & ML Engineer bei Data-Science Factory GmbH

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

Serge K.

Data Science & Machine-Learning-Operations

Letzte Position:

Data Scientist & MLOps (Machine Learning Operations) bei REWE Digital GmbH

Es handelt sich um ein Startup innerhalb von REWE, in dem wir ein neues Prognosesystem auf der Google Cloud Platform von Grund auf aufbauen müssen. Obwohl meine offizielle Rolle MLOps heißt, umfassen meine tatsächlichen Aufgaben auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und Aufgaben eines 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 zur Implementierung von Datenmodellen
CI/CD: GitLab. Wir haben eine CI/CD-Pipeline entwickelt, die die Bereitstellung neuer Releases bis in die Produktionsumgebung automatisiert.
Entwicklung eines Feature Stores und Datensynchronisierung zwischen Umgebungen
Data Science: Bewertung verschiedener Prognosemodelle, darunter CatBoost, Contextual Gamma und Random Forest; Implementierung von Trainingspipelines mit Kubeflow auf Vertex AI; Skalierung und Entwicklung einer ereignisgesteuerten Schnittstelle mit Kafka als Prognoseservice; Bewertung von MLFlow für Modellverfolgung und Modellregister
Implementierung einer REST-API mit KeyCloak OAuth2 und OpenID (JWT)
Monitoring: Implementierung von Dashboards mit Grafana, Prometheus, Mimir, Streamlit und Loki zur Überwachung von Prognosemetriken, GCP- und Snowflake-Kosten für Pipelines sowie Systemmetriken
Entwicklung von Copilot Agent Skills

Raghu Ram V.

Telco-Kundenabwanderungsprognose – End-to-End-ML-Pipeline

Letzte Position:

Telco-Kundenabwanderungsprognose – End-to-End-ML-Pipeline bei Selbst initiiertes Projekt

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.

Nargiz B.

Risikomanagement-Berater

Letzte Position:

Risikomanagement-Berater bei Friedrich Vorwerk Unternehmensgruppe

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

Borui L.

Spektralanalyse neuronaler Netzwerkkerne

Letzte Position:

Spektralanalyse neuronaler Netzwerkkerne bei Borui Li Projects

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.

Zakaria M.