Recommender System Experten in Berlin

• Entwickelte und implementierte ein hybrides Empfehlungssystem (Content-Based + Collaborative Filtering)
• Baute End-to-End-ML-Pipelines inklusive Datenverarbeitung, Feature Engineering, Modelltraining und Bewertung
• Entwickelte RAG-basierte LLM-Systeme mit LangChain und Vektordatenbanken für semantische Suche und Wissensabruf
• Etablierte MLOps-Workflows mit MLflow für Experiment-Tracking, Versionierung und Deployment-Bereitschaft
• Implementierte Deep-Learning-Modelle (Computer Vision & Klassifikation) mit PyTorch und TensorFlow

• Setup: Handelskonzern im Wandel, agiles Umfeld, Team mit 10 Entwicklern
• Ziel: Ablösung eines Software-Monolithen, Redesign statischer Inhalte, Strukturierung der weiteren Backoffice-Portale
• Herausforderung: Komplexe systemseitige Zusammenhänge, Stakeholder für Softwareentwicklung & Digitalisierung
• Aufgaben: Fachliche Verantwortung für statische Inhalte und Betriebsprozesse

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Entwickelte ein JTBD-basiertes Priorisierungs-Framework für über 3.000 gesammelte Feature-Anfragen, identifizierte 27 Makler-Jobs, validierte 8 davon in 25 Nutzerinterviews und nutzte die daraus resultierende Job-Map als Live-Priorisierungsfilter für alle Eingangskanäle (Upvoty, CSAT, Beratungstickets).
• Verantwortlich für die Scout24-Lighthouse-Initiative: Document Intelligence mit vollständiger RAG-Architektur (semantisches Chunking, bge-m3 Embeddings, pgvector, BM25+Dense Hybrid-Retrieval).
• Reduzierte die Durchlaufzeit von Kunden-Feature-Anfragen auf 3,1 Tage durch Code-Analyse, Ticket-Spezifikation und eigenständige Implementierung mithilfe eines Coding-Agenten (Codex).
• Entwickelte einen LLM-basierten Support-Agenten (GPT-4o mini, Codex-generierte Merge Requests), der Eskalationen auf 3rd-Level von 40 % auf 5 % aller monatlichen Tickets reduzierte.
• Integrierte sechs Partner durch technische Koordination, Spezifikation, Backlog- und Release-Management und führte sieben Full-Stack-Entwickler.
• Beseitigte innerhalb von sechs Wochen regulatorische Risiken für Makler durch Risikoanalyse (BGH-Urteil zum Fernabsatz/GDPR), neue Audit-Funktionen und Koordination mit Rechts- und Datenschutzbeauftragten.

• Gründungsversuch mit einer Plattform für Karriereentwicklung und Personalcoaching
• Top-3-Platzierung beim Businessplan-Wettbewerb Berlin-Brandenburg
• Eigenständige Marktanalyse sowie User Research
• Aufbau eines umfassenden Wissensgraphen für Rollen, Fähigkeiten und Erfahrungen
• Datentransformation und Aufbau von Datenpipelines auf Azure

• Entwicklung einer auf Generative AI beruhenden Recommendation Engine für Images für ein KI-Videoproduktionssystem
• Implementierung automatische Bildanalyse mit GPT-4o
• Semantische Vektorsuche mit OpenAI Embeddings, MongoDB, OpenSearch
• Verschlagwortung und Indizierung von 4 Millionen Customer-Assets
• Neuentwicklung Recommendation Engine mit hybrider, ausbalancierter Keyword- und Vektorsuche + Filter

• Leitung einer Produktorganisation mit über 25 Personen und Förderung von Abstimmung, Transparenz und operativer Effizienz.
• Einführung neuer Kollaborationsprozesse mit Stakeholdern, um die teamübergreifende Kommunikation und Entscheidungsfindung zu verbessern.
• Etablierung eines bereichsübergreifenden Peer-Mentoring-Programms zur Stärkung des Wissensaustauschs und der Führungskräfteentwicklung.

• Definition und Umsetzung der Software-Produktstrategie zur nahtlosen Integration mit IoT-Geräten
• Verbesserung der Plattformfunktionen wie Usability, Performance (Entsperrzeit, erfolgreiche Entsperrungen, Senkung der Fehlerrate), Sicherheit und Kundenzufriedenheit bei vernetzten Geräten
• Neuaufbau der Plattform zur Skalierung durch Überarbeitung der zugrunde liegenden Technologie der mobilen App und Verbesserung der Entwicklererfahrung, sodass das Team effizient Änderungen entwickeln und bereitstellen kann, ohne technische Einschränkungen

• Unterstützung bei der Umsetzung und Überwachung der Qualitätsstandards des Unternehmens, um sicherzustellen, dass jedes Produkt den Bedürfnissen und Anforderungen der Nutzer entspricht

• Erstellung eines Excel-Dashboards zur Überwachung der Kosten schlechter Qualität, das Daten von sieben (7) KPIs verknüpft

• Verwaltung der Fehler- und Problemverfolgung mit JIRA, in Abstimmung mit Technik und Produktion, um Ursachenanalysen und Korrekturmaßnahmen durchzuführen

• Zusammenarbeit mit Produktions- und Anwendungsteams zur Behebung von Fehlern und Problemen

• Aufbau eines FRT-(Full Resolution Time)-Datenprodukts in dbt und BigQuery mit einer MECE-Ticket-Lifecycle-Methodik, abgeleitet aus einem einheitlichen semantischen Mapping und einem geordneten Event-Stream.

• Bereitstellung wiederverwendbarer Makros, modularer Modelle, automatisierter Unit-Tests und einer LookML-Metrikschicht, die von Process Improvements und Ops übernommen wurden.

• Überarbeitung der FRT-Experimente mit quasi-experimentellen und Pre-Post-Kausalanalysen, um zu zeigen, dass eine langsamere Bearbeitung den GMV beeinflusst. Damit konnte von einer pauschalen 70 %-in-48 h-SLA zu problemspezifischen Zielen gewechselt werden und die analytische Grundlage für die Neugestaltung der SLA gelegt werden.

• MAVAE/VAE-Modelle in PyTorch trainieren und optimieren, um Anomalien in multivariaten Zeitreihendaten von Sensoren zu erkennen.
• Vorverarbeitungs-Workflows und Evaluations-Pipelines entwerfen, um Modellgenauigkeit und Robustheit zu verbessern.
• Performance von MAVAE im Vergleich zu statistischen Basisansätzen und Deep-Learning-Methoden benchmarken und vergleichende Erkenntnisse präsentieren.
• Mit Forschungsbetreuern zusammenarbeiten, um Hypothesen zu verfeinern und experimentelle Ergebnisse in einsatzfähige Forschungsergebnisse zu überführen.

Geeks Ltd ist ein in Großbritannien ansässiges Technologieunternehmen; WordUp ist das KI-gestützte Sprachlernprodukt mit Fokus auf personalisiertes Vokabellernen und intelligente Lernerlebnisse.

• Koordination der KI-Produktlieferung über Product, Engineering, Data, Operations und Führung hinweg, dabei Nutzerbedürfnisse in klar abgegrenzte Initiativen übersetzen, Arbeitsschritte planen, Blocker sichtbar machen, Übergaben begleiten und Fortschritte kommunizieren.
• Verantwortung für Suche, Empfehlung, Retrieval und Content-Anreicherung end-to-end, von Anforderungen und Architektur über Implementierung mit Python/FastAPI bis hin zu Testing, Deployment, Monitoring und schneller Iteration.
• Entwicklung von Retrieval-, Ranking- und Personalisierungs-Services mit niedriger Latenz unter Nutzung von AWS, OpenSearch, DynamoDB, Embeddings und wiederverwendbaren APIs, mit <1s Latenz, 22% höherem Engagement und 12% höherer Premium-Conversion.
• Einsatz von KI-Coding-Assistenten für Codebase-Analyse, Scaffolding, Refactoring, Tests, Debugging und Dokumentation, wobei jede Ausgabe auf Korrektheit, architektonische Passung, Sicherheit, Wartbarkeit und Nutzerwert geprüft wird.
• Vertretung der technischen Arbeit in Planung und Stakeholder-Gesprächen, direkte Anforderungsaufnahme, konstruktives Hinterfragen von Prioritäten, Erklärung von Delivery-Abwägungen und Unterstützung des Teams bei ergebnisorientierten Entscheidungen.

• Einen KI-Forschungsassistenten mit RAG, LangChain, LangGraph und OpenAI-LLMs sowie integrierter Vektorsuche entwickelt.

• Entwickelte und wartete Kotlin-basierte Microservices mit Kafka Event-Streaming und wandte Hexagonale Architektur und Domain-Driven Design in Produktionsumgebungen an.
• Trug zur Funktion "Bring-Your-Salary" bei, um das reibungslose Onboarding neuer Gehaltskonten zu ermöglichen und die Kundenerfahrung zu verbessern.
• Erstellte und integrierte Services für die FPAD VOP-Plattform zur sicheren und skalierbaren Partnerintegration.
• Analysierte und löste Produktionsvorfälle durch Root-Cause-Analyse (RCA) und implementierte Lösungen, die die Stabilität und Zuverlässigkeit der Services verbesserten.