NumPy Experten in Berlin

• Senkte die Abwanderungsrate in den ersten 30 Tagen nach der Anmeldung von 45% auf 20%, indem ich das Onboarding überarbeitete und die Zeit bis zum ersten Mehrwert verkürzte.
• Steigerte den Lebenszeitwert (LTV) innerhalb von 6 Monaten um das Dreifache durch Maßnahmen zur Nutzerbindung und Monetarisierung im gesamten Kundenlebenszyklus.
• Verantwortete das Redesign der App und die Feature-Umsetzung, was den Net Promoter Score (NPS) aktiver Nutzer von 6,3 auf 8,5 ansteigen ließ.

• Entwickelte und implementierte ein hybrides Empfehlungssystem (Content-Based + Collaborative Filtering)
• Baute End-to-End-ML-Pipelines inklusive Datenverarbeitung, Feature Engineering, Modelltraining und Bewertung
• Entwickelte RAG-basierte LLM-Systeme mit LangChain und Vektordatenbanken für semantische Suche und Wissensabruf
• Etablierte MLOps-Workflows mit MLflow für Experiment-Tracking, Versionierung und Deployment-Bereitschaft
• Implementierte Deep-Learning-Modelle (Computer Vision & Klassifikation) mit PyTorch und TensorFlow

• Entwickelte und implementierte skalierbare ETL/ELT-Pipelines mit Python, SQL, dbt, AWS und Informatica, um Daten aus Quellen wie APIs, relationalen Datenbanken und Flat Files in Snowflake zu laden, und verringerte die Pipeline-Laufzeit um ca. 30 %.
• Migrierte umfangreiche Datensätze von On-Premises Teradata zu Snowflake unter Nutzung von AWS-Diensten (S3, Glue, Step Functions, IAM) und stellte so Datenkonsistenz und Integrität sicher.
• Setzte die Kimball-Methodik zur Gestaltung von Stern- und Schneeflockenschemas ein, verbesserte die Abfrageleistung und senkte die Snowflake-Kosten.
• Implementierte automatisierte Datenqualitätsprüfungen mit SQL-basierten dbt-Tests und dem Great Expectations-Framework, um Anomalien zu erkennen und die Datenkorrektheit vor Produktionsläufen sicherzustellen.
• Orchestrierte ETL-Workflows in Airflow mit Python und verwaltete Code-Bereitstellungen über Git nach CI/CD-Best-Practices, um die Zuverlässigkeit zu steigern und die Pipeline-Verfügbarkeit zu gewährleisten.
• Erstellte interaktive Power-BI-Dashboards und kuratierte Datensätze, um datenbasierte Entscheidungen für Stakeholder zu ermöglichen.
• Pflegte technische Dokumentation in Confluence für ETL-Workflows und leitete Wissensaustauschsitzungen für neue Teammitglieder.

• Agierte als technischer Berater zur Optimierung von mehrschichtigen Ensemble-Modellen, die ResNet, CNN-BiGRU-Attention und XGBoost kombinierten.
• Begleitete die Umsetzung eines Logistic-Regression-Meta-Lerners zur Lösung von Klassenungleichgewichten und erreichte 92,86 % Genauigkeit und einen AUC-Wert von 0,9644 auf den Datensätzen PTB-XL und Chapman-Shaoxing.

• Entwicklung von Methoden für monokulare 3D-Gesichtsrekonstruktion und personalisierte geometrische Modellierung aus mobilen Bildern
• Entwicklung lernbasierter Ansätze für Gesichtsformschätzung, videobasierte Gesichts­analyse und datenschutzfreundliches visuelles Lernen

• Dozent für den GenAI-Track des Master School Institute of Technology
• Entwicklung einer Full-Stack-KI-Anwendung (React + Python/FastAPI) für den automatisierten Lieferanten-Produktimport mit intelligenter Spalten- und Kategorienklassifizierung (4-Layer, hierarchisch) inkl. Human-in-the-Loop-Validierung

• Kontext: Teams aus dem Gesundheitswesen und Labor brauchten eine schnellere Dokumentenanalyse, Unterstützung bei der Behandlungsplanung und zuverlässige KI-Workflows für MR-/VR-gestützte Einsätze.
• Beitrag: Ich habe die KI-Plattform für das Gesundheitswesen, Modell-/Agenten-Workflows, die Bereitstellungsplattform für VR-Brillen, REST-APIs, Next.js/React-Oberflächen und CI/CD-Pipelines aufgebaut.
• Auswirkung: Ich habe eine produktionsreife Grundlage für ein KI-Produkt geliefert, die die Prüfung klinischer Dokumente verbessert, Laborautomatisierung unterstützt und die Bereitstellung von VR-Flotten über verschiedene Umgebungen hinweg beherrschbar gemacht hat.

Tech: TypeScript, Next.js, Node.js, React, Java, Spring Boot, Python, PyTorch, TensorFlow, Docker, PostgreSQL, OpenAPI, GitLab, GitHub Actions.

• Versicherungsdienstleister*

Herausforderung: Geschäftskritische Dokumente liefen über externe OCR-Dienstleister mit laufenden Kosten, Abhängigkeit und Datenschutzrisiken bei sensiblen Versicherungsdaten.

Umsetzung:

• Architektur und produktive Umsetzung einer On-Premise-OCR-Lösung mit vollständiger Datenhoheit
• Verfahren zur Erkennung von Dokumentstrukturen als Basis der automatisierten Weiterverarbeitung
• ML-, NLP- und LLM/VLM-basierte Informationsextraktion, insbesondere aus Rechnungen und Angeboten

Erfolg: Ablösung der externen Dienstleister: volle Datenhoheit, DSGVO-konforme Verarbeitung und 75 % geringere laufende OCR-Kosten p. a.

Verwendete Technologien: Python, Docker, Microservices, FastAPI, PyTorch, Torchvision, MongoDB, MySQL

• Fortführung seit 10/2023, Angebot meiner Data-Science-Entwicklungsfähigkeiten in Vollzeit für internationale Kunden

• Unterstützung von Unternehmen dabei, mehr über ihre vorhandenen (unstrukturierten) Daten zu erfahren, Prozesse und technische Systeme zu optimieren und Lösungen für ihre Probleme abzuleiten

• Genutzte Tools und Technologien: Python (sklearn, pandas, numpy, Django, SQLAlchemy, PyTorch), Matlab, Docker, AWS EC2, Lambda, S3, SQL, MySQL, Hadoop & Spark, Machine Learning, DNN, KI, Jira, Confluence, Git, CI/CD, GitLab, Jenkins

• Führung des Buchhaltungsteams mit 6 Mitarbeitenden
• Schulung und Weiterentwicklung der Mitarbeitenden
• Automatisierung von Buchhaltungsprozessen mit SQL, Python und Power Query
• Verantwortung für Jahres- und Monatsabschluss
• Steuerliche Themen
• Audits
• NetSuite-Administration und -Weiterentwicklung

• Konzeption eines LLM-basierten Agentensystems zur Steuerung der ERP-Software
• Entwicklung von Agenten-Workflows mit LangGraph und PydanticAI
• Planung der Schnittstellen zwischen Geschäftslogik und Sprachmodellen
• Planung der Agentenorchestrierung
• Prototypenentwicklung- und Demonstration

Werkzeuge: Python, Pydantic, React, LangChain, LangGraph, Linux

• Projekt 1: Multi-Tenant SaaS-Plattform: Datenintegration & Preismanagement
• Ziel: Neuentwicklung einer ELT-Pipeline (Ablösung des Java-6-Altsystems), Integration heterogener Quellsysteme (CSV, Excel, E-Mail, externe DBs), Event-Sourcing für vollständige Nachvollziehbarkeit, Multi-Tenant-Architektur für mandantenfähige Datenverarbeitung
• Herausforderung: Verarbeitung von Millionen Datensätzen pro Tag, Audit-Compliance, Datenisolation zwischen verschiedenen Mandanten
• Lösung: Stakeholder-Workshops zur Anforderungsanalyse, ereignisgetriebene Architektur mit Axon Framework und Apache Kafka, AWS-Services (EC2, S3, Lambda, SQS, API Gateway) für Cloud-Integration, PostgreSQL mit mandantenspezifischen Schemas für Multi-Tenant-Datenisolation, REST-API-Design mit Spring Boot für Integration externer Systeme, umfassende Teststrategie (JUnit, Spring Test, Postman, PACT, ArchUnit)
• Ergebnisse: ELT-Leistung von über 30 Minuten auf 1–5 Minuten verbessert; täglich 2–3 Stunden durch Workflow-Automatisierung eingespart; wöchentlich 10–20 Stunden durch Event-Sourcing-Nachvollziehbarkeit eingespart; 100 % Audit-Compliance; sichere Multi-Tenant-Datenisolation für mehr als 10 Mandanten
• Projekt 2: Modernisierung eines Multi-Tenant-CRM-Systems
• Ziel: Migration des CRM-Systems (über 20 Jahre PHP/MySQL) zu Java-Microservices, Umsetzung von Domain-Driven Design, Einführung von Test-Driven Development, mandantenfähige SaaS-Architektur für mehrere Kundenmandanten
• Herausforderung: Umgestaltung komplexer Geschäftslogik, fehlende Testkultur, skalierbare Mandantenverwaltung mit Datenisolation
• Lösung: Umfassende Teststrategie (JUnit, Spring Test, Postman, PACT, ArchUnit), Multi-Tenant-Architektur mit mandantenspezifischen Datenbanken, REST-API-Design mit Spring Boot für mandantenübergreifende Integration, Kubernetes und Docker für Container-Orchestrierung
• Ergebnisse: 2× Performancesteigerung; Bereitstellungszeit von über 40 Minuten auf 5–7 Minuten reduziert; Migration ohne Ausfallzeiten in der Produktion; skalierbare Multi-Tenant-Lösung für mehr als 15 Kundenmandanten
• Technologien: Java, Spring Boot 3.x, Angular, Apache Kafka, AWS (EC2, S3, Lambda, SQS, API Gateway), PostgreSQL, Axon Framework, Kubernetes, Docker, GitLab CI, REST-API

• Durchgeführte qualitative und quantitative Analysen der gewonnenen Ergebnisse, Kategorisierung von Themen, Bewertung von Methoden und Beurteilung der Studienqualität und -zuverlässigkeit.
• Erstellte Forschungsberichte und Evidenzzusammenfassungen, um wichtige Trends, Lücken und Chancen für akademische Betreuer oder funktionsübergreifende Teams zu kommunizieren.
• Präsentierte Ergebnisse durch klar strukturierte Visualisierungen, Tabellen und narrative Zusammenfassungen, um Entscheidungsprozesse zu unterstützen und zukünftige Forschungsrichtungen zu steuern.

• Unterstützung der Partnerzentren bei der Einführung von KI- und LLM-basierten prädiktiven Modellen zur Wirkstoffentdeckung und Vorhersage therapeutischer Reaktionen mithilfe ihrer Genomdatenbanken, Entwicklung von Fehlermodi für KI und Reduzierung der Feature-Engineering-Zeit um 25 %.
• Durchführung von Python-Analysen und Verbesserung der Abdeckung von Domänenbewegungen um 30 % durch Integration von Freie-Energie-Daten in die Konformationsmodellierung, Kartierung heterogener Proteinzustände für eine präzise Struktur-Funktions-Analyse.