Recurrent Neural Network Experten in Deutschland

Anjaneya M.

AI- & ML-Ingenieur · LLM-Systeme · Generative AI · Python · IEEE veröffentlicht

Weimar

Letzte Position:

Machine Learning Engineer Intern bei Slash Mark

CNN- und RNN-Architekturen mit Transfer Learning für reale Klassifikationsaufgaben entwickelt und feinabgestimmt — zentrale Deep-Learning-Fähigkeiten, die auf die multimodale LLM- und GenAI-Fahrzeugfunktionsentwicklung bei BMW übertragbar sind.
Dropout, Batch Normalization und Early Stopping in verschiedenen Deep-Learning-Experimenten implementiert; streng mit Precision, Recall, F1-Score und Confusion Matrices bewertet für Zuverlässigkeit auf Produktionsniveau.
Ein KI-gestütztes Anwesenheitsverwaltungssystem mit LBPH-Gesichtserkennung entwickelt, über eine Flask-Weboberfläche bereitgestellt und mit SMS-Benachrichtigungen in Echtzeit ergänzt — ein Beispiel für eine vollständige AI-Produktlieferung für echte Nutzer.
In funktionsübergreifenden Teams zusammengearbeitet, um skalierbare, dokumentierte ML-Pipelines für Reproduzierbarkeit zu liefern — passend zu BMWs interdisziplinärem Team- und Forschungsumfeld.
AI-Tools direkt in den Entwicklungsworkflow integriert, vom Design bis zum Testen, und dabei eine hohe Geschwindigkeit ohne Abstriche bei der Korrektheit gehalten.

Hakan A.

Senior Software Engineer — KI-Evaluierung & Benchmarks | Python, maschinelles Lernen, LLM-Evaluierung

Villingen-Schwenningen

Letzte Position:

Senior Software Engineer — KI-Evaluierung & Benchmarks bei Diversido

Übernahm die technische Leitung eines 4-köpfigen Teams, das innerhalb von 12 Monaten 3 wichtige Kundenplattformen mit Microservices-Architektur und Lösungen für Skalierbarkeit bereitstellte — 100% der geplanten Hauptfunktionen wurden vor dem Zeitplan und den geplanten Meilensteinen ausgeliefert (Ausgangslage: Frühere Releases verzögerten sich häufig um 1–2 Sprints).
Führte Evaluierungen von KI-Modellen und Modellausgaben für LLM-/KI-Anbieter-APIs durch: Sicherheit, Vollständigkeit, Befolgung von Anweisungen und Prüfung der inhaltlichen Fundierung vor dem Go-live; reduzierte fehlerhafte Ausgaben in den KI-integrierten Release-Checklisten von wiederkehrenden UAT-Ergebnissen auf nahezu null bei der finalen Freigabe.
Entwickelte die API-Entwicklung und Performance-Optimierung für Zahlungs-, Börsen- und KI-Dienste voran; strikt geschlossene Fehlerbehandlung und Payload-Validierung reduzierten die Überarbeitung von Integrationen im Vergleich zum ersten KI-Integrationsdurchlauf um ~35%.
Setzte Softwaretests, Test-Frameworks, Qualitätssicherung von Code und Code-Refactoring mit Gates für die kontinuierliche Integration ein; die Akzeptanz von Pull Requests im ersten Durchlauf verbesserte sich im gesamten Team, und Hotfixes in der Produktion für KI-Adapter gingen nach Einführung der Review-Standards spürbar zurück.
Verantwortete DevOps-Praktiken: Docker, GitHub Actions, Jenkins-kompatible Pipelines und Versionskontroll-Workflows — reduzierte die Bereitstellungszeit gegenüber der Ausgangslage vor der Automatisierung um ~50% und stabilisierte Releases in 3 Kundenumgebungen.
Implementierte Verifier-/Oracle-artige Bestanden-Nicht-bestanden-Prüfungen in Container-Sandboxes (an Harbor/Terminal-Bench ausgerichtet); erstellte technische Dokumentation, sodass Fehler in einem Review-Zyklus behoben werden konnten.
Leitete die funktionsübergreifende Zusammenarbeit mit Produkt- und Kundenstakeholdern; übersetzte KI-Evaluierungswerte und Risikobefunde in verständliche Kurzberichte für nichttechnische Partner und ermöglichte Go-/No-Go-Entscheidungen ohne zusätzliche Engineering-Meetings.
Setzte agile Methoden für Sprintplanung und Backlog-Verantwortung ein; unterstützte Engineers dabei, dass Entwickler auf mittlerem Niveau bereits zur Hälfte des Projekts KI-Adapter-Module eigenständig verantworteten.

Martin R.

Senior LLM Research Scientist

München

Letzte Position:

Senior LLM Research Scientist bei BYO Inc.

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)

Unnikuttan V.

Geschäftsführer (Mitgründer)

Berlin

Letzte Position:

Geschäftsführer (Mitgründer) bei AathmaSignals

Verantwortlich für Investorenakquise und Partnerschaftsentwicklung als Gründungs-Geschäftsführer, Aufbau des Business Case und der technischen Story, um Erstfinanzierung und strategische Partner im Bereich Digital Health zu gewinnen
Konzeption von Multi-Agenten-KI-Systemen für autonome Biosignalanalysen, Orchestrierung von LLM-basierten Reasoning-Pipelines mit fachspezifischem medizinischen Kontext zur Unterstützung intelligenter, klinischer Entscheidungsfindung

René W.

Konferenzoperator

Letzte Position:

Konferenzoperator bei Brähler Systems GmbH

Die iOS/Android Delegate App und den Conference Operator entwickelt
Eine benutzerfreundliche Konferenzumgebung und das Echtzeit-Video-Streaming aktualisiert und weiterentwickelt
Das gesamte Konferenzerlebnis durch die Implementierung anpassbarer Funktionen für ein flexibles Setup optimiert
Die Effizienz und Benutzerfreundlichkeit der Konferenztechnik verbessert und so einen reibungslosen Ablauf sowie eine bessere Interaktion der Teilnehmenden ermöglicht

Rinaldo A.

Programmierung und Entwicklung von Pricing-Tools

Zülpich

Letzte Position:

Programmierung und Entwicklung von Pricing-Tools bei Kia Corporation

Programmierung und Entwicklung von Pricing-Tools – Taktische Unterstützung und Weiterentwicklung einer in Visual Basic entwickelten Pricing-Tool-Lösung für den europaweiten Einsatz.

Raghu Ram V.

Telco-Kundenabwanderungsprognose – End-to-End-ML-Pipeline

Letzte Position:

Telco-Kundenabwanderungsprognose – End-to-End-ML-Pipeline bei Selbst initiiertes Projekt

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.

Anton K.

Leiter der technischen Gesamtintegration NSC / Entwicklung von Hadoop Cloud

Letzte Position:

Leiter der technischen Gesamtintegration NSC / Entwicklung von Hadoop Cloud bei IABG

Leiter der technischen Gesamtintegration NSC (National Secure Cloud, Projekt mit ca. 60 Mitarbeiter).
Technische Integration von allen Subprojekten in ein Produkt, Definition von Schnittstellen, Basiskomponenten einer Cloud inklusive Hardware, technische Architektur der Basis IABG.
Entwicklung eines Cloud Management Platforms (CMP), die in der Lage ist, Private/Mixed Cloud von beliebiger Komplexität anhand einer textuellen Beschreibung mit einem Click oder interaktiv zu erstellen.
CMP beinhaltet auch den kompletten Zyklus Hardware Management.
Als Basis wird Kubernetes, Openstack und Hadoop benutzt.
Die Managementschicht beinhaltet Harbor, Gitea, Longhorn, Keycloak, Rancher und Jenkins, die automatisch konfiguriert sind.
Privat Cloud kann beliebige Workloads von Kunden ausführen, darunter volle Hadoop Schicht mit HDFS, Spark, MapRed, Mezos, HBase und ca. 20 weiteren ML/DL Technologien.
Hadoop Worker Cluster kann auch ohne Kubernetes on Bare Metal oder Commodity Hardware automatisch installiert werden.
Openstack mit Nova, Neutron, Ironic, Swift, Cinder, Ceph.
Entwicklung einer Java Anwendung Rudi: Soap, Rest, Containers, DB.
Technologien: Kubernetes (K3s, Rke2, Minikube, Harbor, Gitea, Jenkins, Longhorn, Keycloak, Rancher), Openstack (Nova, Neutron, Keystone, Swift, Ceph, Cinder, Sahara, Magnum, Kayobe, Kolla, Bigrost, Ironic), Hadoop (HDFS, Ambari, Solr, Livy, Ranger, YARN, Tez, HBase, Kafka, Hive, Zookeeper, MapReduce, Spark, Oozie, Flink), Virtualizierung (Kubernetes (K3S), VMware, Oracle), Skripting (Ansible, Puppet, Juju, Shell, Groovy, Gradle, Maven).

Harsh Vardhan A.

System- und Prozessintegrator 2

Offenbach am Main

Letzte Position:

System- und Prozessintegrator 2 bei Audi AG

Führte die Entwicklung und Einführung einer generativen KI-Lösung für die Automobilindustrie an, um das Kundenerlebnis durch KI-basierte Innovationen zu verbessern.
Führte umfangreiche Marktforschung durch, um die Herausforderungen und Chancen im Automobilsektor besser zu verstehen, indem Branchentrends, Kundenprobleme und Wettbewerbsangebote analysiert wurden, um die Produktstrategie zu untermauern.
Entwickelte eine strategische Vision für die generative KI-Lösung zur Schaffung personalisierter Kundenerlebnisse und stimmte die Produktvision auf die langfristigen Ziele des Unternehmens sowie die Anforderungen des Automobilmarktes ab.
Steigerte die Kundenzufriedenheit durch personalisierte KI-Funktionen und erreichte eine 15%ige Erhöhung des Kundenengagements und der Kundenbindung.
Nahm konzernweit an Workshops zur KI-Strategie für das Kundenerlebnis teil und vertrat dort die Audi AG.
Setzte Kenntnisse in rekurrenten neuronalen Netzen und Transformer-Architektur ein.
Setzte GPT-3-Frameworks für generative KI ein.
Verwendete TensorFlow und PyTorch für maschinelles Lernen.
Setzte Tableau von Salesforce für Datenanalyse und Visualisierung ein.
Fungierte als Solution Manager für das Business Architecture Team.
Arbeitete mit Business-Stakeholdern bei Audi OEM zusammen, um Anforderungen für die CRM-Strategie aufzunehmen – darunter Marketingabteilung, CRM-Verantwortliche in den Ländern, Marken der VW Gruppe und CARIAD SE.
Repräsentierte die Audi AG in CRM-Strategie-Workshops in verschiedenen Ländern.
Diskutierte die CRM-Strategie mit dem Head of CRM und Data basierend auf den Workshop-Ergebnissen.
Führte Geschäftsanalysen auf Basis erhobener Marktdaten durch, um das Kundenerlebnis zu verbessern.
Planete und startete Marketingkampagnen wie Willkommens-Mailings, Erinnerungen an Führerscheinverlängerungen, Audi Progress Circle und Black-Friday-Kampagnen.
Verwaltete das Projektbudget.
Agierte als Solution Manager für das ONE.CRM-Team bei CARIAD SE, abgeordnet von Audi AG.
Kooperierte mit Business-Verantwortlichen der VW-Gruppe-Marken, um eine zentrale Lösung zu entwickeln.
Repräsentierte CARIAD SE in CRM-Strategie-Workshops in Spanien, Frankreich und Italien.
Diskutierte die CRM-Strategie mit dem Head of CRM bei CARIAD SE basierend auf den Workshop-Ergebnissen.
Führte Geschäftsanalysen auf Basis von Markt- und Markendaten durch, um das Kundenerlebnis zu verbessern.
Planete und implementierte Kampagnenfunktionen von Vorlagen für Marken wie Willkommens-Mailings für Audi AG, SEAT und SKODA.
Verwaltete das Projektbudget gemeinsam mit dem Head of CRM.

Sara A.

Wissenschaftlicher Mitarbeiter und Datenwissenschaftler

Berlin

Letzte Position:

Wissenschaftlicher Mitarbeiter und Datenwissenschaftler bei National Center of Robotics and Automation - Condition Monitoring Lab

Entwickelte ASR- und TSR-basierte Sprachverarbeitungspipelines auf AWS, die effiziente Merkmalsextraktion und skalierbare Bereitstellung für Sprach- und Textanalysen ermöglichen.
Entwickelte ein multimodales System zur Erkennung von Sprachemotionen, das NLP und Deep Learning (Audio + Text) kombiniert, erreichte 98 % Genauigkeit und unterstützt Echtzeit-Inferenz in der Cloud.
Entwarf und optimierte End-to-End-Workflows für Modelltraining und -evaluation mit AWS-Diensten (S3, EC2, Lambda), um Leistung, Zuverlässigkeit und Reproduzierbarkeit sicherzustellen.
Erstellte und implementierte interaktive, benutzerfreundliche Dashboards zur Datenvisualisierung und Generierung von Erkenntnissen, um Forschungsgruppen und Management bei datenbasierten Entscheidungen zu unterstützen.

Muntaha S.

KI-Ingenieur (Freiberufler)

Erlangen

Letzte Position:

KI-Ingenieur (Freiberufler) bei Upwork

Über 40 KI-Projekte und 23 strategische Beratungen für internationale Kunden (USA, Europa, Naher Osten) abgeschlossen, eine Erfolgsquote von 98 % erreicht und langfristige Partnerschaften aufgebaut.
Produktionsreife KI-Lösungen in Computer Vision, NLP, Deep Learning und Generativer KI (LLMs, RAG-Pipelines, Stable Diffusion, OCR, Chatbots) entwickelt und bereitgestellt, wodurch Automatisierung ermöglicht und die Effizienz der Kunden um bis zu 70 % gesteigert wurde.
Große Sprachmodelle (LLMs) entworfen und feinabgestimmt, inklusive Prompt Engineering und Integration in unternehmensinterne Wissensdatenbanken, was zu intelligenteren Entscheidungen und reduziertem manuellem Aufwand führte.
Echtzeit-Computer-Vision-Anwendungen (Erkennung, Segmentierung, OCR) entwickelt und in Geschäftssysteme integriert, wodurch Genauigkeit und Skalierbarkeit deutlich verbessert wurden.
Start-ups und Unternehmen in KI-Strategie, Architektur und Implementierung (Cloud & On-Premise) beraten, Produktentwicklung beschleunigt und die Markteinführungszeit verkürzt.
Den gesamten Lebenszyklus von KI-Projekten (Anforderungsanalyse, Lösungsdesign, Bereitstellung, Support) in agilen, internationalen und funktionsübergreifenden Umgebungen gemanagt und dabei eine hohe Qualität gesichert.

Aravind S.

KI- und Datenspezialist

Hamburg

Letzte Position:

KI- und Datenspezialist bei Emirates Islamic Bank

Entwarf und implementierte LLM-basierte KI-Agenten, RAG-Pipelines und Vektorsuchlösungen zur Entscheidungsunterstützung in der Retail-Banking-Abteilung.
Entwickelte und lieferte robuste KI-Pipelines mit Schutzmechanismen, Fehlerbehandlung, Monitoring und Fallback-Logik, um hohe Zuverlässigkeit und Einhaltung der Datenschutzbestimmungen zu gewährleisten.
Entwickelte und implementierte ML-Modelle zur Erkennung von Transaktionsanomalien, wodurch die Betrugserkennung und Risikobewertung in großen Datensätzen für das Kreditrisikomodell verbessert wurden.
Erstellte, bewertete und optimierte ML-Modelle zur Generierung von Propensity Scores für Kunden, die in personalisierten Targeting-Kampagnen für Kreditkarten und Privatkreditprodukte eingesetzt wurden.
Entwickelte eine NLP-Pipeline mit BERT-Embeddings und spaCy NER für SMS-/E-Mail-Analysen und Kundenanfragenprotokolle.
Trainierte Machine-Learning-Modelle mit Isolation Forest, um Nutzerverhalten zu klassifizieren und Anomalien zu erkennen.
Extrahierte, bereinigte, angereicherte und feature-engineerte Datensätze aus verschiedenen Quellen, um Feature Stores zu erstellen, die das Training von ML-Modellen ermöglichten.
Leitete die Entwicklung von Dashboards mit Power BI, Grafana und Prometheus zur Überwachung der Modellleistung, KPI-Trends und Marketing-Kennzahlen.
Erstellte Multi-Touch-Attributionsmodelle mit logistischer Regression und zeitverfallbasierten Gewichtungen zur Bewertung der Lead-Qualität.
Entwickelte skalierbare ETL-Pipelines aus CRM, T24, SAP und ERP zur Unterstützung von Millionen monatlicher Transaktionen.
Integrierte Testverfahren und CI/CD-Workflows für eine stabile Bereitstellung von Datenpipelines.

Mohammad L.

Forschungspraktikant - ML/ADAS

Pforzheim

Letzte Position:

Forschungspraktikant - ML/ADAS bei IAV GmbH

Entwicklung und Optimierung von LSTM-RNN- und Decoder-Transformer-Modellen zur Vorhersage der Fahrzeugtrajektorie bei Zielverlust im adaptiven Tempomatsystem, was eine 20% höhere Vorhersagegenauigkeit gegenüber den Basismodellen ergab.
Entwicklung einer neuen Datenvorverarbeitungs-Pipeline aus realen Fahrversuchsdaten, Verarbeitung von Multisensor-Zeitreihendaten und Erstellung von über 300 Trainingsabschnitten.
Implementierung einer bayesianischen Hyperparameteroptimierung und Anwendung physikalischer Beschränkungen, um ein Ausreißer-Verhalten des Modells zu verhindern, was zu 30% gleichmäßigeren Beschleunigungsprofilen führte.
Erweiterung der bestehenden patentierten Technologie zur KI-gestützten Verbesserung der ACC-Funktion, basierend auf Vorarbeiten zur Leistungssteigerung des Netzwerks.
Tools: Python, TensorFlow, Keras, Optuna, CarMaker

Pawan S.

Akademisches Projekt

Nuremberg

Letzte Position:

CAPTCHA-Erkennung mit CRNN

Ein CRNN-Modell mit VGG16- und BiLSTM-Backbone zur Erkennung textbasierter CAPTCHAs entwickelt
Zeichenfehlerrate (CER) von 9,37% und Sequenzgenauigkeit von 68,36% auf dem Validierungsdatensatz erreicht
Datenaugmentierungspipeline mit Verzerrungen, Rauschzugabe und Überlagerungen erweitert, um die Robustheit zu steigern
Detaillierte Fehleranalyse bei verwechselbaren Zeichen (O, Q, D) durchgeführt und zeichenspezifische Augmentierung vorgeschlagen
Tech Stack: Python, TensorFlow/Keras, OpenCV, NumPy, Matplotlib

Borui L.

Spektralanalyse neuronaler Netzwerkkerne