Point Cloud Processing Experten in Deutschland

Entwicklung eines Routenplaners zur Störungskommunikation.

• Entwicklung der REST-API
• Aufbau eines Patch-Systems zur Pflege des Routing-Graphen
• Erweiterung der Testinfrastruktur
• Performance- und Speicheroptimierung (JMeter, JFR)

Technologien: Java 21, Spring Boot, JGraphT, Flyway, MapStruct, Caffeine, ShedLock, JMeter, Kubernetes, JFR

• Entwicklung eines Trend-Scouting-KI-Systems zur Automatisierung der Technologiebeobachtung in der Leistungselektronik und bei Halbleitern. Dabei kamen Azure OpenAI und LangChain, webbasiertes Crawling mit Scrapy zur strukturierten Datenerfassung ohne störende Inhalte sowie die automatische Erstellung von PDF-Berichten für die interne Forschung und Entwicklung zum Einsatz. Entwicklung einer FastAPI-basierten (Uvicorn) Webanwendung zur Validierung von LLM-Ausgaben, zum Testen von Prompt-Strategien und zur interaktiven Bewertung des Systems.
• Entwicklung eines Echtzeit-Debuggers für binäre STM32-Telemetriedaten mit einer PyQt-basierten grafischen Benutzeroberfläche. Dazu gehörten eine rahmensynchrone Verarbeitung anhand von Headern, Anomalieerkennung, vorlagenbasierte Nutzdaten-Decodierung, zeitlich synchronisierte Pufferung und die Live-Visualisierung von Signalen.
• Entwicklung eines KI-gestützten Entwurfstools für Leistungsinduktivitäten mit Ersatz-Regressionsmodellen für präzise elektromagnetische und thermische Vorhersagen. Integration der Multi-Objective-Optimierung NSGA-II zur Erstellung effizienter und fertigungsgerechter Designs.

• Entwicklung eines CNN-basierten Fußgängererkennungssystems mit LiDAR-Daten
• Erstellung von Python-Skripten für Begrenzungsrahmen, Datensatzbeschriftung und Datenkonvertierung
• Bewertung der Modellleistung anhand von Datensätzen mit Punktwolken

• Entwicklung von Methoden zur monokularen 3D-Gesichtsrekonstruktion und personalisierten geometrischen Modellierung aus mobilen Aufnahmen
• Entwicklung lernbasierter Ansätze zur Schätzung der Gesichtsform, videobasierten Gesichtsanalyse und datenschutzfreundlichen visuellen Lernverfahren

• Entwicklung von Modellen zur Klassifizierung und Segmentierung von Punktwolken für zahnmedizinische Anwendungen.
• Entwicklung von Verfahren zur Domänenanpassung, die den F1 score in einer neuen klinischen Domäne um 0.1 verbesserten.
• Arbeit mit 3D-Geometriedaten und ML-Pipelines im Produktionsmaßstab.

• Automatisierte Validierungs-Workflows mit Python eigenständig initiiert und implementiert, dadurch die manuelle Verarbeitung um 58% reduziert und die Effizienz verbessert
• Ein Machine-Learning-Modell zur Erzeugung synthetischer Fehler entwickelt, Ausfallzeiten und Produktionskosten reduziert; lokal sowie über Databricks und Azure AI Factory bereitgestellt
• Einen kleinen Bilddatensatz aus den Produktionslinien genutzt und durch das Training von Modellen wie cycleGAN und pix2pix erweitert
• Die Linux-basierte Entwicklungsumgebung für das Training von 3D-Modellen aufgebaut und optimiert; die Reproduzierbarkeit über GitHub sichergestellt
• Technische Erkenntnisse funktionsübergreifenden Teams (Ingenieuren, QA, Projektmanagern) präsentiert und so die Abstimmung von ML-Lösungen auf betriebliche Anforderungen sichergestellt

• Einführung eines integrierten Ansatzes zur Erkennung struktureller Schäden in Beton, Stahl und Glas mithilfe fortschrittlicher Technologien wie LiDAR und Wärmebildgebung. Berücksichtigung materialübergreifender Wechselwirkungen zur Verbesserung der Diagnostik und Ermöglichung einer vorausschauenden Wartung.

• Entwicklung eines NLP-basierten medizinischen Notizvereinfachers, der komplexe klinische Anweisungen in einfaches Englisch auf Kinderniveau umwandelt. Anwendung von Prompt Engineering mit Flan-T5-Transformermodellen, um für Patienten relevante Maßnahmen zu extrahieren und in klare To-do-Punkte umzuschreiben. Entwicklung von Flask- und Tornado-Backends sowie einer druckbaren Weboberfläche.

• Entwickelte ein Bewertungsframework für KI-generierte Multiview-Fahrvideos, das für Wahrnehmungs- und Embodied-AI/VLA-bezogene Trainingsworkflows gedacht ist.
• Entwarf automatisierte Prüfungen für zeitliche Kohärenz, Kamerakonsistenz, semantische Korrektheit und geometrische Multiview-Qualität und deckte dabei Ausfallmodi auf, die für autonome Systeme relevant sind.
• Kombinierte klassische Computer Vision, gelernte visuelle Repräsentationen und Vision-Language-Modelle, um komplexe Videoartefakte in messbare technische Signale zu überführen.
• Aufbau wiederholbarer Benchmarking- und Fehleranalyse-Workflows zur Unterstützung von Modellvergleichen, Datenqualitätsentscheidungen und Systemverbesserungs-Diskussionen.

• Entwicklung einer Python-basierten Pipeline zur Generierung synthetischer Daten in Blender, um komplexe Interaktionen zwischen Menschen und Gabelstaplern für die Roboterwahrnehmung und das Training von KI-Modellen zu simulieren.
• Entwurf und Modellierung industrieller digitaler Zwillinge in 3D zur Unterstützung von Tiefenschätzung, Stereo Vision und Sicherheitsanalyse.
• Erfassung und Verarbeitung von LiDAR-, Laser- und Photogrammetrie-Punktwolken zur Erstellung präziser 3D-Karten für die Rekonstruktion von Umgebungen und die Erstellung von Ground-Truth-Daten.
• Entwicklung und Bereitstellung von auf YOLOv8 basierenden Algorithmen für Pose Estimation und Tiefenwahrnehmung mit PyTorch und OpenCV, optimiert für GPU-Cluster und NVIDIA Jetson-Plattformen.
• Integration und Validierung von KI-Modulen in ROS-basierten Roboterumgebungen unter Sicherstellung von Echtzeit-Performance und Interoperabilität.

• Thema: Objekterkennung und semantische Segmentierung für (AUV)-Systeme mit transformerbasierten Vision-Modellen und Sensorfusion.
• Entwicklung und Implementierung einer durchgängigen Multi-Sensor-Fusion-Wahrnehmungspipeline (Kamera, LiDAR, IMU) in ROS
• Entwicklung eines CNN-basierten Machine-Learning-Modells (YOLOv8) und transformerbasierter Vision-Modelle für die Echtzeit-Objekterkennung
• Verarbeitung und Clustering von 3D-LiDAR-Point-Clouds mit DBSCAN, RANSAC und Voxel-Grid-Filtering für eine robuste Objektlokalisierung in verrauschten Umgebungen.
• Entwicklung von Bayesian-Netzwerk-Modellen (GeNle) für probabilistisches Schließen und sensorbasierte Entscheidungsfusion unter Unsicherheit.
• Einsatz von Kalman-Filtering zur Schätzung des Sensorzustands, zeitlichen Ausrichtung und glatten Objektverfolgung, wodurch False Positives in sicherheitskritischen Szenarien reduziert wurden.
• Auswertung der Systemleistung unter realistischen Fahrdynamiken, Verbesserung der Tracking-Stabilität und der Robustheit der gesamten Wahrnehmung.
• Aufbau von Deep-Learning-Pipelines für Training, Validierung und Performancebewertung von Wahrnehmungsmodellen mit Sensordaten.

• Vram.run: Rust, TypeScript, HF-Inference-API mit 19 Anbietern, über 220 Hardware-Konfigurationen und mehr als 30 Cloud-GPUs. Suche nach einem Modell, um zu sehen, welche API-Anbieter es bereitstellen, welche GPUs es lokal ausführen können (und wie schnell) und was ein Cloud-Leasing kosten würde. Oder suche nach deiner Hardware und finde die passende. Beinhaltet auch ein Rust-CLI.
• Psychotron: JavaScript, Web Audio API, AudioWorklet, Canvas 2D. Frontend für Flash-Fiction-Hörbuch mit einer Web-Audio-DSP-Kette mit Pitch-Shifting, 12-stimmigem Chor, Flanger, 13-Band-EQ und Convolver-Hall. Beinhaltet eine 2D-Canvas-Effekt-Morphing-Engine und einen synchronisierten Teleprompter.
• RecentWork: Swift, macOS, FSEvents, launchd. macOS-Daemon, der Projektverzeichnisse überwacht und einen flachen Ordner mit Symlinks auf kürzlich geänderte Dateien pflegt. Über Homebrew installierbar.
• Mini-llm: Bash, macOS, launchd, Ollama, llama.cpp, MLX, Open WebUI. Ein einzelner Befehl verwandelt einen Mac Mini in einen Headless-KI-Server.
• ThatSlop: JavaScript. Chrome-/Firefox-Erweiterung zur KI-Inhaltserkennung auf LinkedIn und Twitter.
• Smux: Bash, tmux. Benutzerfreundlicher tmux-Wrapper, der über Homebrew installierbar ist.
• Learn Rust Course: Rust. Kurs zum Rust-Speichermodell für C++-Programmierer, geschrieben aus der Erfahrung des Übergangs von C++ zu Rust bei Irreducible.

• Leitung von KI-Initiativen für Life-Science-Lösungen, Integration fortschrittlicher KI-Modelle in Unternehmens-Workflows und Sicherstellung einer nahtlosen Bereitstellung.
• Entwerfen und Implementieren von Deep-Learning-Architekturen (PyTorch, Keras) für komplexe biomedizinische Herausforderungen, einschließlich Zellsegmentierung, multimodaler Omics-Analyse und Prognose von Punktwolken.
• Entwicklung und Bereitstellung robuster LLM-basierter Systeme, einschließlich RAG-Architekturen und agentischer Workflows mit LangGraph, um natürlichsprachige Interaktion mit komplexen medizinischen Daten zu ermöglichen.
• Führung funktionsübergreifender Initiativen zur Anwendung von Foundation Models und erklärbarer KI (xAI) in klinischen und evolutionären Algorithmen.

• Planung und Konstruktion von Anlagen mit AutoCAD Plant 3D, Inventor, Advance Steel, Navisworks
• Prüfung von Planungsdokumenten wie Konzepte und Auslegungsberichten, R&ID
• Bearbeitung und Erstellung von Rohrklassen
• Erstellung und Weiterentwicklung von Rohrleitungsverläufen in 3D Anlagenmodellen
• Erstellung von Isometrie des Rohrleitungssystemen und Sonderunterstützungen
• Koordinierung von beteiligten Fachgewerken, Fundamentplanung
• Beratertätigkeit bei der Projektentwicklung sowie Abwicklung von Projekten im Anlagenbau, Chemiebau und Raffineriebau
• Austausch mit Lieferanten zur Erstellung des Basis-Engineerings und Vorbereitung der Vergabe
• Steuerung aller relevanten Planungsaktivitäten zur Erstellung eines technischen Konzepts (Umfangsdefinition)

• Implementierte Stereo-Kamerakalibrierung und setzte inkrementelle Structure-from-Motion-(SfM)-Algorithmen ein, um ein detailliertes 3D-Modell eines Gabelstaplers für das AR-fähige Smart Forklift-Projekt zu erstellen
• Entwickelte eine OpenCV-basierte Vorverarbeitung, die die Datenpräzision um 20% und die Analysefähigkeiten von Industrievideos verbesserte