Principal Component Analysis Experten in Deutschland

• Entwicklung von High-Performance-Ad-Auslieferung über Auktionen
• Ganzheitliche Optimierung der Anzeigenplatzierung (multi-campaign & multi-channel)
• Algorithmische Optimierung für NP-Hard/NP-e
• Multiple Knapsack Problem mit Nebenbedingungen
• Online-Schätzung von Parametern in stochastischen Umgebungen

Tools: Python, R, Kotlin, MILP/SAT/CP-Solver, Pytorch, Pandas, Docker

• Modelle für Chatbots, NLP und LLMs (z. B. Llama, Qwen, OpenAI) erforschen und entwickeln
• Chatbots mit RAG und In-Context Learning verbessern
• Supervised Fine-Tuning (PEFT, LoRA), Huggingface oder Unsloth
• Fortgeschrittene Trainingsmethoden: Test-Time Training, (transduktives) Active Learning, Reinforcement Learning
• Serving mit hohem Durchsatz mit vLLM
• Embedding-Modelle anwenden (z. B. SentenceTransformers), Similarity-/Vektorsuche oder Vektor-DB oder Ranking (z. B. LlamaIndex, Faiss, LangChain)
• Synthetische Daten erzeugen und filtern, Clustering
• Halluzinationen erkennen
• Chatbot-Modelle bewerten (Rouge, BLEU, F1-Score, Recall, Precision)
• Visualisierung von Experimenten (matplotlib)

• Entwickelte und implementierte eine vollständige Machine-Learning-Pipeline zur Kundenabwanderungsprognose auf Basis des Telco-Datensatzes.
• Wandte Vorverarbeitungstechniken an, darunter Behandlung fehlender Werte, kategoriale Kodierung, Feature Scaling und PCA.
• Baute und verglich über 15 Modelle (Logistic Regression, Random Forest, XGBoost usw.) und bewertete sie anhand von Accuracy, Precision, Recall, F1-Score, ROC-AUC und PR-AUC.
• Stimmte Hyperparameter mit GridSearchCV ab und erreichte 80,6 % Accuracy mit Random Forest und XGBoost.
• Erstellte visuelle Berichte (Balkendiagramme, Heatmaps, Radardiagramme), um die Modellleistung und die Abwanderungstreiber zu interpretieren.
• Exportierte wiederverwendbare Pipelines und trainierte Modelle mit joblib für die Bereitstellung.

• CO-Greenfield-Einführung auf S/4 HANA (Margin Analysis, Deckungsbeitragsrechnung nach zwei parallelen Vorschriften)
• Konzeption der Datenmigration für die Eingliederung eines Buchungskreises
• Aufbau einer parallelen Deckungsbeitragsrechnung über Erweiterungsledger mit alternativen Bewertungen
• Definition und Umsetzung von Ableitungsstrategien
• Anwender- und Key-User-Training

• Hauptforschung:
• Entwicklung eines kompakten (<700 Mio. Parameter) generativen Vision-Language-Modells für Whole Slide Images (WSI) durch Optimierung der Bild-Tokenisierung.
• Aufbau eines verbesserten Bewertungsrahmens, einschließlich eines kuratierten Frage-Antwort-Datensatzes und der Auswahl geeigneter Metriken.
• Vorbereitung für die Einreichung.
• Zusammenarbeit:
• Forschung zur Entdeckung digitaler Biomarker in der computergestützten Pathologie (CPath) mit KI-Methoden.
• Zusammenarbeit an Projekten mit internationalen Partnern, darunter das Francis Crick Institute (Vorhersage molekularer Biomarker beim Clear-Cell-Renalkarzinom), HeCOG Griechenland (Identifikation des Lynch-Syndroms beim Kolonkarzinom und multimodale Überlebensvorhersage beim Prostataadenokarzinom) sowie das National Cancer Center Hospital Japan (HIBIRD).
• Die Arbeit mit dem Francis Crick Institute wird derzeit für die Einreichung vorbereitet. Die gemeinsame Arbeit in Japan wurde bereits veröffentlicht, und die HeCOG-Projekte laufen noch.
• Konsortium:
• Steuerung der Zusammenarbeit zwischen den Institutionen und der Ziele als KatherLab-Vertreter für das LiSYM-Konsortium.
• Lehre:
• Zwei Jahre lang Online-Workshop-Sessions beim Clinicum Digitale durchgeführt und dabei Ärztinnen und Ärzte sowie Medizinstudierende in den Grundlagen von KI und Python geschult.
• Einen Workshop zu multimodalen Foundation Models bei der AI in Cancer Research Summer School in Korfu geleitet, organisiert im Rahmen von ESAC.
• Einen Vortrag über Vision-Language-Modelle bei der AI in Medicine Summer School gehalten, einer gemeinsamen Veranstaltung von EKFZ, GENIAL, dem TransformLiver Consortium und ESAC.

• 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.

• Einsatz KI-getriebener CADD-Methoden zur Optimierung biosynthetischer Wege und Molekülscreenings.
• Integration synthetischer Biologie und rechnergestützter Chemie-Workflows für schnelle In-silico-Experimente.
• Automatisierte ML-Pipelines mit Python, PyTorch und Scikit-learn unter Linux, was zu verbesserten Modelltests und höherer Reproduzierbarkeit führte.

• Leitender Ingenieur für die MatchMaker Toolbox (KNIME): Index Builder, Approximate Matcher, Character Mapper, Lizenzknoten
• Konzipierte M|ARS (MatchMaker Agentic Retrieval System) — hybrides Retrieval, das deterministische Suche und LLM-Tools kombiniert
• Entwickelte interne RAG- und Suchprototypen (MatchMaker + Vektorsuche + LLM)

• Steuerung der Mediaagentur
• Mediastrategie für diverse Kampagnen
• Kampagnenmanagement
• Erarbeitung eines Social-Media-Konzepts
• Review, Reportings und PCAs

• Entwicklung eines KI-basierten Systems zur Korrosionserkennung für maritime Infrastrukturen im Rahmen des CHAI-Forschungsprojekts.
• Aufbau eines binären Bildklassifikationsmodells zur Korrosionserkennung anhand eines Datensatzes mit über 5.000 Metalloberflächenbildern.
• Automatisierte Datenbeschriftung anhand von Segmentierungsmasken und Entwurf von Workflows zur Erstellung von Bounding Boxes für einzelne Korrosionsstellen.
• Durchführung von Datenvorverarbeitung, Datenaugmentation und Modellevaluation (Genauigkeit, Präzision, Recall, F1-Score).
• Zusammenarbeit mit dem Forschungsteam zur Integration von Computer-Vision-Workflows für Korrosionsüberwachung und Datensatzverbesserung.

• Maschinenbau
• Post-Merger-Integration
• Vorbereitung zur Einführung S4/HANA
• Einführung VIM

• Aufbau des Unternehmens mit Fokus auf Connectivity für IIoT und Industrie 4.0, iRPA/Prozessautomatisierung, Advanced Robotics und Smart Systems, Sensors and Services
• Projektleitung und Software-Architektur für IoT-Gateway-Entwicklung (seit 2020) mit Protokollübersetzung, IT/OT-Konvergenz und GRC
• Entwicklung von RPA-Bots zur Automatisierung und Überwachung industrieller Prozesse mit agentischem AI-Ansatz (seit 2020)
• Implementierung von Unsupervised Clustering und Anomalieanalyse für Zeitreihendaten in BigData-Streaming-Pipelines (seit 2021)
• Einführung eines Docker-basierten Release-Trains für OTA-Updates mit DevSecOps und CI/CD (seit 2018)

• Entwickelte einen transparenten Klassifikator mit rationalen Funktionen und über 90% Genauigkeit auf MNIST
• Tech-Stack: Python, NumPy, SciPy, Scikit-Learn, CuPy, CUDA, SageMath, Gurobi

• Einführung des bewerteten Kundenbestands inklusive FI-Kontenfindungslogik bei einem internationalen Maschinenbauunternehmen
• Analyse, Neugestaltung und agile Umsetzung eines Gesamtkonzepts für CO mit SAP S/4HANA bei einem internationalen Automobilhersteller
• End-to-End-Gestaltung des vollständigen CO-Prozesses (inkl. Integration in SD, MM, PP, FI, PS) und Implementierung bei einem internationalen Maschinen- und Anlagenbauer
• Reorganisation und Einführung der Profit-Center-Rechnung (PCA) in SAP ERP bei einem internationalen Unternehmen im Maschinen- und Anlagenbau