NumPy Experten in Nürnberg

David O.

KI-Ingenieur

Letzte Position:

Machine-Learning-Forscher bei Pattern Recognition Lab, FAU

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.

Muntaha S.

KI-Ingenieur (Freiberuflich)

Letzte Position:

KI-Ingenieur (Freiberuflich) bei Upwork

Erfolgreiche Umsetzung von mehr als 40 KI-Projekten und 23 strategischen Beratungen für internationale Kunden (USA, Europa, Nahost) mit einer Erfolgsquote von 98% und dem Aufbau langfristiger Partnerschaften.
Entwicklung und Bereitstellung produktionsreifer KI-Lösungen in den Bereichen Computer Vision, NLP, Deep Learning und Generative AI (LLMs, RAG-Pipelines, Stable Diffusion, OCR, Chatbots), wodurch Automatisierung ermöglicht und die Effizienz der Kunden um bis zu 70% gesteigert wurde.
Entwicklung und Feinabstimmung großer Sprachmodelle (LLMs), einschließlich Prompt Engineering und Integration in Wissensdatenbanken von Unternehmen, was zu besseren Entscheidungen und weniger manuellem Aufwand führte.
Entwicklung von Echtzeit-Anwendungen für Computer Vision (Erkennung, Segmentierung, OCR) und Integration in Geschäftssysteme, wodurch Genauigkeit und Skalierbarkeit deutlich verbessert wurden.
Beratung von Start-ups und Unternehmen zu KI-Strategie, Architektur und Bereitstellung (Cloud und On-Premise), wodurch die Produktentwicklung beschleunigt und die Markteinführungszeit verkürzt wurde.
Steuerung vollständiger KI-Projektlebenszyklen (Anforderungserfassung, Lösungsdesign, Bereitstellung, Support) in agilen, internationalen und funktionsübergreifenden Umgebungen mit Fokus auf qualitativ hochwertige Ergebnisse.

Pawan S.

Akademisches Projekt

Nuremberg

Letzte Position:

CAPTCHA Recognition using CRNN

Ein CRNN-Modell mit VGG16- und BiLSTM-Backbone zur Erkennung textbasierter CAPTCHAs entwickelt
Eine Zeichenfehlerrate von 9.37% und eine Sequenzgenauigkeit von 68.36% auf Validierungsdaten erreicht
Die Datenaugmentierungspipeline um Verzerrungen, Rausch-Injektion und Störelemente erweitert, um die Robustheit zu verbessern
Eine detaillierte Fehleranalyse zu verwechselbaren Zeichen (O, Q, D) durchgeführt und eine fehlerbezogene Augmentierung vorgeschlagen
Tech Stack: Python, TensorFlow/Keras, OpenCV, NumPy, Matplotlib

Amir A.

Masterarbeit

Nürnberg

Letzte Position:

Masterarbeit bei Friedrich-Alexander-Universität

Analyse der Rolle von Ehe als informelle Versicherung in Deutschland unter Anwendung ökonometrischer Methoden (Betreuung: Prof. Dr. Harald Tauchmann).
Aufbereitung und Bereinigung mehrerer Paneldatensätze sowie Extraktion relevanter Variablen zur Erstellung eines finalen Paneldatensatzes mit über 36.000 Beobachtungen (2006–2020, SOEP).
Design eines IV-Modells in Stata zur Untersuchung des kausalen Zusammenhangs zwischen Trennung von Paaren und Gesundheitsschocks (mental/physisch).
Durchführung von Robustness Checks zur Sicherstellung der Stabilität und Validität der Ergebnisse.

Puranjan B.

Praktikum - Generative KI

Letzte Position:

Praktikum - Generative KI bei Continental

Bilder von Reifen und deren Merkmalsbeschreibungen gesammelt.
Datensatz mit Bild-Metadaten mit pandas bereinigt.
Merkmals-Embeddings der Bilder in der Chroma-Vektordatenbank gespeichert.
Bildaugmentierungen eingesetzt, um die Datensatzgröße zu erhöhen.
sklearn verwendet, um Datensätze zu mischen, und imbalanced-learn, um Klassengrößen im Datensatz auszugleichen.
PyTorch genutzt, um verschiedene neuronale Netze zu trainieren und zu testen.
Modell mit einer eigenen Genauigkeitsmetrik auf Basis einer Ähnlichkeitssuche in ChromaDB validiert.
Vorhersagen der Genauigkeit mit matplotlib visualisiert.
Trainiertes Modell in DreamBooth integriert, um ein Stable-Diffusion-Modell zu trainieren und neue Reifenbilder zu generieren.
Eigenes Docker-Image im Amazon Elastic Container Registry für das Machine-Learning-Skript erstellt.

Musaib P.

Forschungspraktikant – Erforschung von Schlussfolgerungen mit Diffusionsmodellen

Letzte Position:

Forschungspraktikant – Erforschung von Schlussfolgerungen mit Diffusionsmodellen bei Machine Learning and Perception Group, FAU Erlangen-Nürnberg

Untersuchung der Äquivalenz zwischen dem Tiny Reasoning Model (TRM) und Diffusionsmodellen für strukturierte Schlussfolgerungsaufgaben wie Sudoku und Labyrinthlösungen.
Erforschung der Schlussfolgerungs- und Generierungsfähigkeiten von Diffusionsmodellen in symbolischen Problemlösungsumgebungen.

Vasuraj B.

Cloud-Datenanalyst

Letzte Position:

Cloud-Datenanalyst bei Bhatia Reply

Analysierte über 50.000 Kundendatensätze mit SQL und Python in einem Cloud-Service-Unternehmen und identifizierte Trends
Erstellte interaktive Tableau-Dashboards für Vertriebs- und Marketing-Stakeholder, wodurch Berichte verkürzt wurden
Entwickelte ARIMA- und AutoARIMA-Zeitreihenmodelle zur Prognose der AWS-Ressourcenauslastung, wodurch Kosten gesenkt wurden
Automatisierte ETL-Pipelines mit Python und verbesserte die Workflow-Effizienz um 20 % für skalierbare Daten
Kooperierte mit DevOps-Teams, um 3 Machine-Learning-Modelle mit Docker in der Produktion bereitzustellen

Ekaansh K.

Masterarbeit – LLM-gestütztes RAG-System

Letzte Position:

Masterarbeit – LLM-gestütztes RAG-System bei Friedrich-Alexander-Universität Erlangen-Nürnberg

Entwicklung eines RAG-Systems zur Automatisierung von Studierendenanfragen mit 96 % Genauigkeit, erstellt mit FastAPI und LangChain und auf dem Universitätsserver mit Docker bereitgestellt.
Bewertung der Leistung mit RAGAS durch den Vergleich von LLMs (Llama3.3, Llama3.1, GPT-4o-mini), Vektor-Embeddings und verschiedenen Retrieval-Techniken innerhalb der RAG-Pipeline.
Technische Skills: Python, FastAPI, Docker, AWS, LangChain, LangSmith, NLP, HTML, CSS

Anshul P.

BSc Künstliche Intelligenz