NVIDIA Experten in Deutschland

Programmierung eigener Indikatoren mit ProBuilder (für ProRealTime Plattform)

6 Monate RCP - Rabe Academy (Grundlagen - Handelskonto - TWS interactive Brokers) Focus: Kursverlauf ETH - Aktie NVIDIA (NASDAQ und CBOE)

• 500 Stunden gesamt (TradingView & ProRealTime) davon ca 1.500 Stunden Tickdaten Analyse per ProRealTime

Systematische Marktanalyse, Entwicklung eigener Indikatoren, Mustererkennung.

Auf Evidenz basierende Health-Intelligence-Plattform, die veröffentlichte Forschung in persönliche Gesundheitsprotokolle übersetzt. Sie bewertet 430 Gewohnheiten, Lebensmittel und Supplements anhand der Studien dahinter und passt den Score an, wenn sich die Evidenz ändert. Allein aufgebaut.

• Die tägliche Ingest-Pipeline über PubMed, bioRxiv und medRxiv aufgebaut: 43.000+ Papers aus 3.400+ Journals verarbeitet zu 230.000+ typisierten Evidenz-Claims, jeder einzelne zurückverfolgbar bis zur Studie, aus der er stammt.
• Das sechs Faktoren umfassende Evidenz-Scoring-Modell und das öffentliche Changelog dahinter entworfen, damit keine Empfehlung ohne die zugrunde liegenden Papers erscheint. Bis heute 23.000+ Score-Änderungen erfasst und erklärt.
• Das Entity-Informationsmodell aufgebaut, das jede Intervention mit ihren Mechanismen, Biomarkern und Outcomes verbindet: 118 Biomarker mit regionsspezifischen Referenzbereichen, 77 Mechanismen, 32 bewertete Outcomes.
• Die Personalisierungsschicht gebaut: Ingestion von Blutwerten, die Labor-PDFs mit einem Vision-Modell ausliest und Ergebnisse anhand der Aufwachzeit des Nutzers korrigiert, plus Integration von Oura, WHOOP und Withings für den täglichen Readiness-Kontext.
• Elf spezialisierte Review-Agents über Korpus und Codebase betrieben, für Paper-Kuration, Retrieval-Qualität, Health-Claim-Compliance über EU- und US-Regime hinweg sowie Security.
• Den Evidence Assistant ausgeliefert, einen RAG-Assistenten, der aus der Claim-Datenbank antwortet und die zugrunde liegenden Papers zitiert, plus eine B2B-Practitioner-Stufe, eine Expo React Native App und Lokalisierung in 3 Sprachen und 7 Märkten.

Stack: Next.js 16, TypeScript, Supabase, pgvector, Anthropic Claude, Vercel, DeepInfra.

KI-gestützte Dokumentenverarbeitung und Warenwirtschaftsintegration

Konzeption und Entwicklung einer KI-gestützten Anwendung zur automatisierten Verarbeitung von Liefer- und Rechnungsdokumenten mit Anbindung an SelectLine ERP. Dokumente werden per KI analysiert, mit Bestellungen und Positionen abgeglichen und für die Buchung von Wareneingängen vorbereitet.

WIRKUNG:

• Automatisierte Extraktion strukturierter Bestell-, Liefer- und Rechnungsdaten aus PDF- und Bilddokumenten
• Automatisches und manuelles Mapping von Dokumenten auf Bestellungen und Bestellpositionen
• Integration mit SelectLine ERP für Bestellimport, Statusabgleich und Wareneingangsbuchungen
• Nachvollziehbare Verarbeitung durch getrennte Analyse-, Mapping- und Buchungsprozesse sowie technisches Logging
• Aufbau einer containerisierten End-to-End-Architektur mit KI-Analyse, Workflow-Automatisierung und relationaler Datenhaltung

SCHLAG-WORTE: KI, Dokumentenanalyse, OpenAI, n8n, SelectLine ERP, FastAPI, Python, JavaScript, MariaDB, Docker, REST API, PDF, OCR, Mapping, Warenwirtschaft, Wareneingang, Workflow Automation

• Aufbau eines starken Bewusstseins innerhalb des Unternehmens in Richtung Nearshoring
• Engagement Manager im Competence Center Nearshore
• Verantwortlich für Nearshore-Beratung, Partner-Screening und technisches Onboarding, Konzipierung und Umsetzung von Kooperationsszenarien, Change Management, Stakeholder-Management, Teilnahme an Steering Committees und Zusammenarbeit mit IT- und Fachbereichen
• Eingesetzte Tools: Microsoft Office 365, Microsoft Teams, Azure Devops, Microsoft Sharepoint, Conceptboard
• Kernergebnisse: Etablierung einer Nearshoring-Strategie, erfolgreiche Identifizierung und Implementierung von Outsourcing-Partnerschaften, Durchführung von Change Management und Stakeholder-Management auf höchstem Niveau

• TrendReel, Produktions-LLM-Agenten- und RAG-System (Python, LangChain, OpenAI, Groq/Llama 3, Claude, FastAPI, Kubernetes, PostgreSQL).
• Entwarf und baute ein produktives mehrstufiges LLM-Agentensystem: einen Script-Generierungs-Agenten mit einer plattformbezogenen Psychologie-Datenbank, 7 viralen Narrativ-Frameworks und strukturierter Qualitätsbewertung, der in Echtzeit je nach Ausgabemetriken zwischen Claude- und Groq-Backends wechselte.
• Implementierte Multi-Provider-LLM-Routing (Claude primär, Groq/Llama 3 Fallback) mit Priority-Chain-Failover und qualitätsbasiertem Provider-Wechsel und erreichte dabei eine Senkung der Inferenzkosten um 95 %, während messbare Qualitätsgrenzen eingehalten wurden.
• Aufbau einer fortschrittlichen RAG-artigen Retrieval-Pipeline mit Wissensbasen pro Plattform, semantischem Content-Matching und strukturierter Ausgabeevaluation über 7 Entscheidungs-Frameworks, direkt vergleichbar mit kontextbasiertem Reasoning in Multi-Tenant-Enterprise-Dokumenten-Workflows.
• BrainyAI, adaptive KI-Lernplattform (Python, LangChain, Groq Llama 3.3-70B, OpenAI, Next.js, Supabase, Redis).
• Integrierte Groq Llama 3.3-70B mit einem auf Bildungsniveau abgestimmten Prompting, wobei Wortschatz-Tiefe, Zitierkomplexität und Denkstil dynamisch über vier Leistungsstufen von Lernenden angepasst wurden.
• Nexus Prime, Multi-Tenant-SaaS-Plattform für Marketing- und Wachstumsautomatisierung (25 Module, 99 Backend-Router, 153 Frontend-Dateien).
• Aufbau einer 25-Modul-, 99-Router-Multi-Tenant-SaaS-Plattform für Ad-Remix, Affiliates, WhatsApp-Inbox, E-Mail und Warenkorbwiederherstellung, die vier Abo-Stufen von $199 bis $1,999 pro Monat mit integrierter Stripe-, Paystack- und Flutterwave-Abrechnung bedient.
• KI-Videoüberwachungsplattform, Multi-Tenant-Edge- und Cloud-Computer-Vision-System derzeit aktiv im Kundengespräch.
• Entwarf eine Multi-Tenant-KI-Videoüberwachungsplattform, die Edge-YOLO26-Inferenz auf NVIDIA Jetson Orin NX Boxen mit einer zentralen GKE-Cloud-Schicht (Postgres, Pub/Sub, ClickHouse, R2, Keycloak) für Ereignisspeicherung, Dashboards, Alarme und Multi-Tenancy kombiniert.

"Reasoning Models: Von den Grundlagen der LLMs zur NOC-Automatisierung."

• Entwicklung durchgängig reproduzierbarer ML-Pipelines (PyTorch) mit Datenversionierung (DVC), Experiment-Tracking (MLflow), automatisierten Tests (PyTest) und CI/CD für alle Trainings-Workflows.
• Skalierung des Trainings von Vision Transformers und CNNs über NVIDIA A100-GPU-Cluster (CUDA, DDP, SLURM); Anwendung von Hyperparameter-Optimierung (W&B Sweeps), um den Trainingsaufwand zu reduzieren und optimale Konfigurationen zu ermitteln.
• Entwicklung eines Echtzeit-Systems zur Generierung menschlicher 3D-Bewegungen (ViT, VQ-VAE, SMPL-X/PIXIE) für die persönlichkeitsabhängige Avatarsynthese; Erreichen von state-of-the-art FID = 6.15 und P-FID = 10.31 auf dem UDIVA-Benchmark.
• Validierung der Ausdrucksfähigkeit des Modells durch strukturierte Nutzerstudien mit einer Genauigkeit von 86% bei der Unterscheidung zwischen extrovertiertem und introvertiertem Avatarverhalten.
• Optimierung von Inferenz-Pipelines durch die Bereitstellung von PyTorch-Modellen über TensorRT und ONNX Runtime in nativem C++-Code; Durchführung von Performance-Benchmarks.

Leitung der End-to-End-Entwicklung von Edge-AI-gestützten Smart Glasses für sehbehinderte Menschen, Abstimmung der Produktvision mit den Nutzerbedürfnissen und Führung eines cross-funktionalen Teams aus Data Scientists, Android-Entwicklern, AWS-Ingenieuren und Hardware-Spezialisten.

• Produkt-Roadmap für Edge-AI-Smart-Glasses definiert und MVP-Features durch Nutzerforschung, Stakeholder-Interviews und Wettbewerbsanalyse festgelegt, mit Fokus auf Barrierefreiheit und Praxistauglichkeit.
• Einen PoC für die KI-gestützte Erkennung von Krebszellen in PET/CT-Scans entwickelt und validiert, in Zusammenarbeit mit medizinischen Experten zur Optimierung von Diagnosegenauigkeit und klinischer Relevanz.
• Ein multidisziplinäres Team von über 75 Ingenieuren, Praktikanten und Designern in Deutschland und Indien aufgebaut und skaliert, um grenzüberschreitende Zusammenarbeit und iteratives Prototyping voranzutreiben.
• Strategische Partnerschaften mit NGOs, Gesundheitsdienstleistern und Interessenverbänden aufgebaut, um Inklusion und Patientenfeedback in das Produktdesign einzubinden.
• Praktische Hardware-Software-Integration mit Raspberry Pi und Jetson Nano von KI-Modellen vorangetrieben. Beziehungen zu Lieferanten, Herstellern und Partnern im Ökosystem initiiert und gepflegt, um skalierbare Go-to-Market-Pläne aufzubauen.
• Wichtige Produktentscheidungen verantwortet, von der Prototypenentwicklung bis zur Finanzierungsstrategie, mit datenbasiertem und wirkungsorientiertem Ansatz.
• Eine lernorientierte Kultur gefördert, indem Brainstorming-Sessions und kontinuierliche Feedback-Schleifen zwischen Engineering und Produkt moderiert wurden.

Erfolge:

• Redner: Auto.Ai 2025 (Berlin), Wearable Technologies 2025 (München und Bangalore), MEDICA 2024 (Düsseldorf)
• WMF, Bologna, Italien (Juni 2024): Einziges KI-Startup aus Deutschland, das als EBV-Hero ausgewählt wurde, um sprhava auf einer globalen Plattform zu vertreten
• Medica, Deutschland (2024): Vortrag über KI-Smart-Glasses auf der größten Healthcare-Messe der Welt gehalten.
• Wearable Technologies, Bengaluru, Indien (Dez. 2024): Ich war Sprecher und habe sprhava und sein Produkt vorgestellt.
• Venturise Global Challenge (GIM 2025, Bengaluru Palace, Karnataka): sprhava wurde als eines der 16 Top-Startups (ESDM) ausgewählt, um auf dieser globalen Plattform zu präsentieren
• Wearable Technologies Conference 2025 EUROPE, München, Deutschland (Mai 2025): Vortrag über Edge AI auf Europas größtem Wearable-Tech-Event gehalten.
• InsurNext Köln, Deutschland (2025): sprhava wurde von der Stadt Köln mit einem Stand geehrt.

Aufgabe: Test-Tool Entwicklung für Smart-Home IoT basierte Heizungsteuerung Test-Tool Entwicklung für Smart-Home HVAC Heizung und Lüftung. Beseitigen von Memoryleaks in C/C++ innerhalb der CAN Analyzer Anwendung. Überprüfen von Python und Tcl/Tk code. Überprüfen von C basierten Simulator-Code von der Cascade Heizungssteuerung von BOSCH Home Comfort mit Verwendung von Visual Studio Code und Conan/Conda. Überprüfen von Delphi-Anwendung: Umstellung auf 64-bit. Überprüfen von PyQt6 Benutzeroberfläche. SiL-Test von Brauchwasser-Vorbereiter Steuerung nach Memoryleak. Stabilitätstest und Dauerbetrieb. Umsetzung auf Windows 11 24H2. Entwickeln von Gerätekonnektivität mit WinSock2 (WSAAPI, recv, send, select) für EMS/CAN IoT Kommunikation mit C. Testen mit Virtuelle Maschine und Server Manager. Schreiben von Reports über die Testcases. Loggen mit RoboTT Framework. Erstellen von Testablauf-Dokumentation mit Docupedia. Bare Metal Programmierung von embedded STM32 Cortex-M und Simulation mit Renode.io. Tiefgehende Einarbeitung in SEGGER EmbOS Firmware-Framework und die dazu gehörende Systemcalls. Anschauen von MATLAB/Sinumerik .m Programdateien. Implementation von neugestalteten OS-Scheduler in der SEGGER EmbOS.Technologien: Embarcadero RAD Studio 10.2, Visual Studio Code, Sourcetree, Conan, Cmake, Conda, EmbOS, PyQt6, Qt6, Delphi VCL 32-bit, CAN, EMS, Powershell, MingW64, STM32 ARM-Cortex-M4F Renode.io, Windows Server 2022 Standard, RoboTT, IoT

• Automatisierte Fahrerbewertungen durch die Programmierung temporaler Regelsysteme zur Bewertung der Sicherheit beim Spurwechsel, von Spiegelkontrollen per Kopfhaltung, der Nutzung von Blinkern sowie der Einhaltung von Ampeln und Verkehrsschildern
• Synchronisierte Echtzeitmodelle zur Erkennung von Verkehrsschildern und zur Klassifizierung mehrstufiger Ampelzustände mit Zeitreihen-Telemetrie des CAN-Busses und räumlichen Prioren aus HD-Karten, um die Einhaltung von Verkehrsregeln zu bewerten
• Trainierte und implementierte unterschiedliche Deep-Learning-Modelle, optimiert für die Überwachung des Innenraums und die Wahrnehmung des Außenbereichs
• Kombinierte Wahrnehmungsergebnisse mit Kameraintrinsics und Prüfungen der Horizontstabilität, um die 3D-Entfernung von Objekten auf der Bodenebene unter Annahme einer ebenen Bodenfläche zu schätzen
• Implementierte ein verteiltes Edge-Netzwerk für eine Flotte von 10 Fahrzeugen über VPN und entwickelte eine Host-Memory-Pipeline ohne Speicherallokationen, um die durch die Ansammlung von Frames verursachte Latenz zu beseitigen (6×21 FPS pro Fahrzeug)

Branchensoftware von der Tour bis zur Rechnung

Im Echtbetrieb

Im Einsatz bei: Garten- und Landschaftsbaubetrieb, zwei Pflegedienste

Der ganze Arbeitstag digital: Anmeldung, Tourenplan im Fahrzeug, Abfahrtkontrolle, Fotonachweis, Stundenerfassung, Abrechnung. Die Tablets arbeiten ohne Netz weiter und gleichen nach. Belege sind unveränderlich, damit die Zeiterfassung prüflicher bleibt. Betrieb auf eigenem Server in Deutschland mit laufender Überwachung und Updates aus der Ferne.

Beleg: Beim Garten- und Landschaftsbaubetrieb seit dem 7. September 2026 täglich mit sechs Fahrzeugen im Einsatz.

• React Native auf Android-Tablets
• Python
• SQLite
• Abgleich in beide Richtungen
• Linux-Server in Deutschland
• Fernwartung

• Implementierung von Daten- und Feature-Pipelines sowie automatisierter Validierung und Berichterstattung für Versicherungsdatensätze mit mehreren Millionen Zeilen.
• Entwicklung einer produktionsreifen Bildverarbeitung zur Erkennung von Stofffehlern; Bereitstellung von wartbarem, gut getestetem Python-Code und prägnanten Berichten.

• Forschung und Entwicklung im Bereich der großmaßstäblichen 3D-Rekonstruktion durchgeführt

• Leitete die EU-Markteintrittsstrategie für L3/L4-autonome Logistikfahrzeuge und trieb die technologische Lokalisierung sowie den Einsatz des Smart-Robotics-Portfolios der Muttergesellschaft voran.
• Stimmte die Technik führender Anbieter autonomer Fahrtechnologien in China und Europa ab und übersetzte komplexe Kundenanforderungen in präzise Ingenieursvorgaben gemäß EU-Normen.
• Initiierte strategische gemeinsame F&E-Projekte mit führenden europäischen Universitäten, Forschungsinstituten und Unternehmen, um den Übergang neuester Robotikkonzepte in kommerzielle Produkte zu beschleunigen.
• Entwarf die End-to-End-Architektur intelligenter Lagerlösungen und führte funktionsübergreifende Teams bei der Optimierung der Hardwareintegration für autonome Fahrzeuge und Roboter sowie der Gesamtssystemleistung.
• Leitete die F&E für hochauflösende Simulationen und KI-Algorithmen mit NVIDIA Isaac Sim & Lab und etablierte robuste "Sim-to-Real"-Pipelines, um dynamische Pfadplanungsoptimierung, intelligente Hindernisvermeidung und komplexe Navigationssysteme vor der physischen Implementierung zu trainieren und zu validieren.
• Beibehielt praktische Kontrolle über die Kernsystemarchitektur mit Fokus auf Performance-Tuning auf niedrigster Ebene, Beschleunigung der KI-Modellinferenz mit TensorRT/ONNX Runtime und Sensorintegration.