NumPy Experten

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

• Erkennung von Betrugsmustern und Umsetzung wirksamer Maßnahmen gegen Betrug bei gleichzeitig akzeptabler Rate falsch-positiver Ergebnisse, um ein Gleichgewicht zwischen Sicherheit und einer reibungslosen User Experience zu gewährleisten
• Unterstützung bei der Entwicklung und Einführung neuer Trust-and-Safety-Funktionen auf der Plattform, um betrügerische Aktivitäten zu blockieren und das Bewusstsein der Nutzer für Betrug zu erhöhen
• Unterstützung von Produkt-, Entwicklungs- und Customer-Support-Teams mit BI-Berichten und weiterer Beratung zur Identifizierung und Bekämpfung von Betrug und Richtlinienverstößen

• 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

Entwicklung und Weiterentwicklung einer internen Plattform zur Verwaltung und Bereitstellung technischer Ressourcen, virtueller Maschinen und infrastruktureller Services. Die Plattform unterstützt Self-Service-Prozesse und bildet Funktionen ab, die konzeptionell mit Cloud-Management-Lösungen wie Azure oder AWS vergleichbar sind.

• Verantwortliche Mitarbeit an der Konzeption, Entwicklung und Umsetzung neuer Backend- und Frontend-Funktionalitäten
• Hands-on Entwicklung mit Java, Spring Boot, Python und Angular
• Umsetzung von REST-Schnittstellen, Business-Logik, Validierungen und Integrationen in bestehende Systemlandschaften
• Weiterentwicklung moderner Weboberflächen mit Angular, inkl. Anbindung an Backend-Services
• Mitarbeit an Architektur- und Designentscheidungen im Team, insbesondere im Hinblick auf Skalierbarkeit, Wartbarkeit und saubere Schnittstellen
• Containerisierung und Deployment von Anwendungen mit Docker, Kubernetes und Helm
• Unterstützung bei CI/CD-Prozessen sowie beim Deployment in Kubernetes-basierte Umgebungen
• Arbeit im Umfeld von vSphere, Broadcom, GitLab CI/CD, ArgoCD, Maven, npm und NuGet
• Enge Zusammenarbeit mit Entwicklern, Fachbereich, DevOps und weiteren technischen Stakeholdern
• Analyse technischer Anforderungen, Ableitung geeigneter Lösungen und eigenständige Umsetzung im agilen Team
• Einsatz von GitHub Copilot zur Unterstützung bei Codegenerierung, Refactoring, Testfall-Erstellung und technischer Dokumentation

Methoden/ Werkzeuge/ Technologien: Sprachen & Frameworks: Java (21), Spring Boot (4.x), Python, AngularRobot Framework, Kubernetes, Helm Persistenz: PostgreSQL, MongoDB, Hibernate, Liquibase, Architektur & Kommunikation: REST, gRPC, GraphQL, Apache-Kafka, OpenAPI, Microservices, Event Driven, Domain Driven Design Cloud & Infrastruktur: Terraform, Docker, Rancher, Helm, Ansible Security: OAuth2, MS (Entra-ID), Websecurity, Keycloak (Extensions für detaillierte Gruppenrechte) DevOps: GitLab CI/CD, Ansible, Maven, Gradle, Grafana, Prometheus, Git, GitHub Copilot Testing & QM: JUnit, Robot Framework, automatisierte Komponenten- & Integrationstests, E2E Tests mit Playwright, Testcontainers, Easymock Methodik & Vorgehen: Kanban, JIRA, Confluence, Clean Code

• Task Engineering: Bewertung von Coding Agents.
• Asset-Erstellung: Aufbau realistischer Aufgabenumgebungen mit Datensätzen und Dateien auf Deutsch. Entscheidend ist dabei, dass diese Assets in der Zielsprache bleiben, um den Umgang mit mehreren Sprachen wirklich zu messen.
• Prompting & Translation: Finden von Fehlerstellen, an denen die KI nicht funktioniert, auf Deutsch.
• Implementierung & Verifikation: Unterstützung bei der Entwicklung robuster Lösungen (Referenzimplementierungen) und Schreiben sehr zuverlässiger, deterministischer Verifizierungs-Skripte (mit rubric-basierten Bewertungen nur dann, wenn es unbedingt nötig ist).
• Kalibrierung & Ausführung: Auswertung von Ausführungslogs und Kalibrierung des Aufgabenschwierigkeitsgrads (Easy bis Very Hard) mit Standard-Terminal-Bench-Run-Konfigurationen gegen verschiedene Modellstufen (Haiku, Opus).
• Qualitätssicherung: Mitarbeit in einem strengen, 4-stufigen menschlichen Qualitätskontrollprozess (Erstellung, menschliche Prüfung, Kalibrierungsprüfung und Audit) zusammen mit automatisierten LLM-basierten Checks, um Fairness, grammatikalische Korrektheit und Benchmark-Integrität sicherzustellen.
• Linguistische Prüfung: Überprüfung von KI-Benchmark-Aufgaben in Hindi, Arabisch, Japanisch, Chinesisch, Tschechisch und Türkisch.

Die meisten Mittelständler haben ihre Zahlen längst. Was fehlt, ist die Übersetzung: Ein Dashboard mit vierzig Kacheln beantwortet keine einzige Frage, die in der Geschäftsleitung tatsächlich gestellt wird.

Analyse

• Auswertung vorhandener Daten mit Python und SQL
• Prüfung von Datenqualität und Methodik, bevor eine Aussage entsteht
• Ergebnis ist eine Auswertung, die auf eine konkrete Entscheidung zuläuft

Aufbereitung

• Berichte in Power BI und Tableau
• Interaktive Rechner und Visualisierungen im Web
• Präsentationen und Fachtexte für Kunden, Vertrieb und Öffentlichkeit
• Analyse und Kommunikation aus einer Hand — das

• Analyse der bestehenden CAN-Kommunikation zwischen Mikrocontrollern
• Analyse der verwendeten Sensoren, gesammelten Messwerte
• Planung der CAN-Botschaften zur Übertragung der Messwerte
• Iteratives Anpassen des Mikrocontroller-Codes auf die neuen CAN-Botschaften
• Cross-Compilierung von x64 auf arm64

• Konzeption und Bereitstellung von End-to-End-Machine-Learning-Pipelines für Klassifizierungs- und Prognosedatensätze mit Sicherstellung von Robustheit und Reproduzierbarkeit durch Best Practices im MLOps-Bereich.
• Direkter Beitrag zur Verbesserung der Genauigkeit von LLM-Modellausgaben durch die Entwicklung und Ausarbeitung spezialisierter Prompts auf Grundlage der Logik von End-to-End-ML- und SciML-Pipelines.
• Entwicklung von Trainingsdaten für große Sprachmodelle durch die Formulierung von Programmieraufgaben, die von den Modellen nicht gelöst werden konnten, sowie anschließende Dokumentation der korrekten Lösungen.

• Portfolioaufbau & Kundenakquise
• Portfolioaufbau (RAG, NLP-Fine-Tuning, Prozessautomatisierung mit n8n) und aktive Kundenakquise
• Positionierung: DSGVO-konforme, lokal gehostete KI-Lösungen für den Mittelstand

• 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.

Statistischer Prognosealgorithmus

• Verbesserung eines statistischen probabilistischen Prognosealgorithmus für Umsätze + Evaluierung
• Migration von R/On-Premise zu Python/Snowflake
• Überführung in den Produktivbetrieb auf Snowflake in Zusammenarbeit mit Data Engineers & DevOps

Monitoring-Dashboard

• Data Engineering zur Aufbereitung & Bereitstellung notwendiger Daten/Ressourcen auf Snowflake
• Entwicklung & Bereitstellung eines Streamlit-Dashboards in Snowflake

ML-basierte probabilistische Prognosen auf Vertex AI

• Entwicklung eines ML-basierten probabilistischen Prognosealgorithmus von Grund auf
• Implementierung einer MLOps-Pipeline in Kubeflow auf Google Cloud Vertex AI

Tech Stack: Python, Snowflake/Snowpark, R, Streamlit, Gitlab/Gitlab CICD, Terraform, Google Cloud, Vertex AI (aiplatform SDK, gcloud CLI, Feature Store, Model Registry usw.), kubeflow

• 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.

• Senkte die Abwanderung in den ersten 30 Tagen nach dem Abonnement von 45% auf 20%, indem ich das Onboarding überarbeitete und die Time-to-Value optimierte.
• Steigerte den LTV innerhalb von 6 Monaten durch Retention- und Monetarisierungsexperimente entlang des gesamten Kundenlebenszyklus um das 3-fache.
• Verantwortete das App-Redesign und die Umsetzung von Funktionen, wodurch der NPS der aktiven Nutzer von 6.3 auf 8.5 stieg.