NumPy-Experten in Düsseldorf

• Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
• Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
• Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
• Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
• Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
• Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
• Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
• Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
• Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.

Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest

• Titel: Verbesserung des syntaktischen Bewusstseins in Transformer-Sprachmodellen für das Hindi-Dependency-Parsing
• Untersuchung des syntaktischen Wissens, das Transformer-Sprachmodelle (RoBERTa, XLM-RoBERTa) für das Hindi-Dependency-Parsing erfassen, einer morphologisch reichhaltigen und ressourcenarmen Sprache.
• Entwicklung strukturbewusster Modellvarianten (Struct_Roberta_hi, Struct_XLMR) durch Integration eines CNN-basierten Parser-Netzwerks zwischen den Transformer-Schichten, inspiriert von der StructFormer-Architektur.
• Durchführung umfangreicher Fehleranalysen einschließlich Auswertungen nach Label, Distanz, Richtung, Satzlänge sowie LVC/Non-LVC.
• Evaluierung der Modelle bei nachgelagerten NLP-Aufgaben (NER, POS-Tagging) unter Verwendung des IndicXTREME-Benchmarks.

• Sammeln und Analysieren von Anforderungen in enger Zusammenarbeit mit den Fachbereichen, um datengesteuerte Lösungen und skalierbare PowerBI Reporting Infrastrukturen zu entwickeln.
• Durchführung detaillierter Fehleranalysen und Optimierungen bestehender semantischer und Datenmodelle, um eine robuste Datenarchitektur und hohe Datenqualität sicherzustellen und das PowerBI Reporting zu verbessern.
• Entwicklung und Implementierung skalierbarer ETL-Prozesse zur Datenaufbereitung und -integration.
• Aufbau eines Wikis für Tabellen- und View-Beschreibungen sowie PowerBI PowerQuery- und KPI-Dokumentationen, um ein einheitliches Verständnis der Datenstrukturen und Kennzahlen zu gewährleisten.

• Führte groß angelegte Datenanalysen an umfangreichen Ereignisdaten durch, indem statistische Modellierung und Zeitreihenmethoden eingesetzt wurden, um schwache Signale in verrauschten Umgebungen zu erkennen
• Entwickelte und pflegte skalierbare Python-Datenpipelines für reale und simulierte Datensätze und optimierte die Signalerkennung sowie die Hintergrundabschätzung in großem Maßstab
• Wandte fortgeschrittene statistische Inferenzmethoden (wahrscheinlichkeitsbasierte Modellierung, Hypothesentests) an, um quantitative Entscheidungen zu unterstützen
• Setzte Datenverarbeitungs-Workflows mit Slurm auf HPC-Clustern ein und ermöglichte so parallele Analysen und Batch-Ausführungen in großem Maßstab
• Erstellte reproduzierbare, versionskontrollierte Datenworkflows mit Python, Bash und Git, um Zuverlässigkeit und Nachvollziehbarkeit der Ergebnisse zu gewährleisten
• Übersetzte komplexe experimentelle Daten in umsetzbare Erkenntnisse, um quantitative Entscheidungen zu ermöglichen

• Leitete den gesamten Einstellungsprozess mit Fokus auf datengestützte Entscheidungen.
• Analysierte Recruiting-Daten mithilfe von Excel und ATS, um Prozesse effektiv zu optimieren.

• KI-Assistent mit Offline-Modell, der Sprache erkennt und Texte in Echtzeit in Sprache umwandelt.