Optical Character Recognition Experten in München

Das Programm dient der umfassenden Neuausrichtung der deutschen Consumer Panel Services. Es verbindet einen erheblichen Panelboost mit der Neuverarbeitung historischer Datenbestände und der Integration neuer Receipt-Daten. Durch die deutliche Vergrößerung und Stabilisierung des Panels unter Einbindung externer Partner soll die Aussagekraft der Datenbasis verbessert und eine belastbare Grundlage für Methodologie, Gewichtung und Kundenreporting geschaffen werden. Parallel werden historisch gewachsene Prozesse für Datenlieferung, OCR, Matching, Item QC, Methodologie und Reporting harmonisiert, technologisch weiterentwickelt und organisatorisch neu ausgerichtet. Ziel ist eine skalierbare End-to-End-Landschaft mit höherer Datenqualität, klaren Verantwortlichkeiten, belastbarer Governance und nachhaltig steuerbaren Betriebsprozessen.

• Gesamtsteuerung des Restatement-Programms einschließlich der integrierten Roadmap sowie der Meilensteine, Abhängigkeiten, Risiken und Managemententscheidungen.
• Koordination des Panelboosts sowie Abstimmung der erforderlichen Datenlieferungen, Qualitätsanforderungen und Voraussetzungen für Methodologie, Gewichtung und Reporting.
• Ausrichtung von Business, Product, Data Science, Technology, Operations und externen Partnern auf ein gemeinsames Zielbild, abgestimmte Prioritäten und ein integriertes Vorgehen.
• Gestaltung des Organizational Change, der durch die grundlegende Neuausrichtung von Datenbasis, Methodologie und Steuerungslogik ausgelöst wird und etablierte Entscheidungs- und Zusammenarbeitsmuster nachhaltig beeinflusst.
• Aufbau und Weiterentwicklung von Governance-, Reporting- und Eskalationsstrukturen sowie von programmweiten Monitoring- und Betriebsprozessen für eine belastbare Steuerung und nachhaltige Übergabe.
• Steuerung kritischer Daten-, Technologie- und Providerabhängigkeiten einschließlich Reprocessing, OCR-Transition und der zeitlichen Synchronisation von Delivery, Testing, Methodologie und Reporting.
• Orchestrierung der internationalen Zusammenarbeit mit Teams und Stakeholdern in Deutschland, dem Vereinigten Königreich, Portugal und Rumänien sowie mit externen Lieferanten in Deutschland und Österreich.

Impact Areas und Expertise: Program & Delivery Leadership, Business & Technology Alignment, Organization & Transformation, Governance & Sustainable Operations, Strategy & Target, Methodic Leadership, Transformation & Change Leadership, Executive Advisory

• 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

Loom and Bloom

Python · TypeScript · n8n · Claude Code · Whisper · Gemini · Supabase · Notion · HubSpot · Digital Ocean

• Eine End-to-End-Content-Pipeline gebaut: ein Loom-Video → Marketing-Bilder, zweisprachige LinkedIn-Posts, Newsletter- und Help-Center-Updates.
• n8n-Webhook → SSH → Claude Code-Session auf einer Digital-Ocean-VPS; drei MCP-Server (Video, Notion, Supabase).
• Whisper-Transkription auf Wortebene, ffmpeg-Screenshots, Gemini-UI-Annotation, PIL-Device-Mockups.
• Next.js-Upload-UI plus ein zweisprachiger Newsletter-Composer mit HubSpot-Push.

• Architektur und Aufbau eines GenAI-basierten Tools zur automatisierten Asset-Erstellung für Social-Media-Kampagnen mit Nano Banana und Python. Es verarbeitet Kampagnenbriefing, Zielgruppe und zwei Produkte als Eingabe, generiert optimierte Prompts für Bild- und Textproduktion und nutzt Funktionen für Textpositionierung, ansprechende Overlays, Größenanpassung und strukturiertes Hochladen in AWS S3.
• Entwicklung und Aufbau einer Multi-Agenten-News-Intelligence-Plattform mit spezialisierten Rollen, darunter Retriever-Agenten (Tavily-Web-Scraping), Synthese-Agenten und Claude als Kurator/Orchestrator, und Entwurf autonomer Agentenzusammenarbeitsmuster mithilfe von LangChain und RAG.
• Aufbau eines autonomen Kundendienst-Agenten mit n8n und LLMs, der End-to-End-Support-Automatisierung mit nachvollziehbarer Argumentation, Governance-Kontrollen und skalierbarer Workflow-Orchestrierung mittels Python und Vektordatenbanken bietet.
• Entwicklung einer Finanzvalidierungs-Engine mit ML-gestützter Anomalieerkennung zur Plausibilitätsprüfung von Rechnungen, Compliance-Automatisierung und Risikominderung unter Verwendung von TensorFlow und SQL.
• Erstellung einer Kosteneinsparungsanwendung mittels OCR, KI, Pandas und NumPy für Datenanalyse, um Optimierungspotenziale zu identifizieren.

• Mitwirkung am Projekt Riyadh Public Transport (KAPT) zur Einführung des öffentlichen Nahverkehrs in Riad, Unterstützung multimodaler Reisen mit Bus, Metro und Car-on-Demand.
• Zusammenarbeit mit Thiqah und Andersen zur Umgestaltung der mobilen MaaS-App DARB in eine Microservices-Architektur im SCRUM-Framework, erfolgreiche Fertigstellung von Phase 1.
• Betreuung eines Teams von 40 Entwicklern in den Bereichen Android, iOS, Web, Java, DevOps, Architektur, Analyse und QA.
• Moderation von Scrum-Events und Kommunikation mit dem Kunden, proaktive Berichterstattung über Projekttermine, Scope und Herausforderungen.
• Koordination bereichsübergreifender Zusammenarbeit zwischen Thiqah-Spezialisten und GPS-Entwicklungsteams, Verwaltung von Jira- und Azure-DevOps-Trackern.
• Unterstützung und Verbesserung der Scrum-Prozesse während des gesamten Projekts.
• Aufgrund der Übernahme von Thiqah durch Elm wurden die folgenden Phasen vollständig in Saudi-Arabien durchgeführt, wobei GPS IT-Beratung lieferte.
• Tools: Azure DevOps, Jira, Confluence, Draw.io, ChatGPT

• Aufbau der neuen Digitalisierungsstrategie.
• Mit Hilfe von Camunda als Prozess-Engine wird eine neue Art der Bearbeitung von von Batch- und Dialogaufträgen erstellt.
• In enger Zusammenarbeit mit der Fachabteilung werden die einzelnen Prozesse erstellt und in Produktion gebracht.
• Masken zum steuern der manuellen Eingriffe, z.B. bei Aussteuerung von Anträgen, werden implementiert.
• Schrittweise Migration von altem Code von IBM WebSphere zu JBoss.
• Skills: Arquillian, Camunda, Eigeninitiative, Empathie, Hibernate, Jackson, Java/JEE, JBoss, Jersey, JSON, JUnit, Kritikfähigkeit, Lernbereitschaft, REST, Teamfähigkeit, WebServices.

• Leitung umfassender KI-Workshops für Fachkräfte, Fokus auf KI-gesteuerte Prozessautomatisierung.
• Tech-Stack: n8n, Make, LLMs (OpenAI, Anthropic), Prompt-Engineering, Tools zur Prozessmodellierung.

• Konzipierung und Implementierung eines interaktiven Bewertungssystems für Top-Führungskräfte zur differenzierten Bewertung von Kernkompetenzen wie Zielorientierung, Teamkultur und strategischer Ausrichtung.
• Integration von Kontrollmechanismen zur Einhaltung von Feedback-Begrenzungen und Speicherung der Bewertungen in einem zentralen System zur Gewährleistung von Datenintegrität.
• Optimierung der Datenverarbeitung für die Personalentwicklung durch Automatisierung der Zusammenführung verschiedener Informationsquellen für Serienbriefe.
• Technische Umsetzung der Datenaufbereitung und -analyse für den jährlichen Vergütungsvergleich in der Finanzbranche.
• Entwicklung automatisierter Prozesse zur Datenaufbereitung in Excel mittels Power Query inklusive Sicherstellung der Datenintegrität und Anonymisierung gemäß Datenschutzvorgaben.
• Automatisierung der Personalkostenauswertung durch Entwicklung einer Lösung zur Verarbeitung von Daten aus dem Paisy-System in eine SAP-kompatible Excel-Datei.
• Erstellung von Testfällen, Benutzerdokumentationen und Testkonzepten für alle entwickelten Systeme.
• Technologien: Power-Query, MS Office 2016 (Word, Excel, PowerPoint), Paisy, SAP, VBA.

• Entwicklung einer durchgängigen KI-Pipeline zur Analyse von 2D-Explosionszeichnungen mithilfe von Computer Vision und Deep-Learning-Modellen.
• Integration einer YOLO-basierten Objekterkennung (Bounding Boxes, Nachbearbeitung, Überlappungsbehandlung) für präzise Erkennung von Bauteilen und Beschriftungen.
• Anwendung des Segment Anything Model (SAM) für eine feinkörnige Segmentierung und Trennung einzelner Komponenten.
• Implementierung von OCR- und Feature-Extraction-Modulen sowie Vergleich von Vision-Language-Modellen (VLM) und traditionellen Computer-Vision-Ansätzen hinsichtlich Genauigkeit, Laufzeit und Skalierbarkeit.