Seaborn Experten in Berlin

• Kontext: Teams aus dem Gesundheitswesen und Labor brauchten eine schnellere Dokumentenanalyse, Unterstützung bei der Behandlungsplanung und zuverlässige KI-Workflows für MR-/VR-gestützte Einsätze.
• Beitrag: Ich habe die KI-Plattform für das Gesundheitswesen, Modell-/Agenten-Workflows, die Bereitstellungsplattform für VR-Brillen, REST-APIs, Next.js/React-Oberflächen und CI/CD-Pipelines aufgebaut.
• Auswirkung: Ich habe eine produktionsreife Grundlage für ein KI-Produkt geliefert, die die Prüfung klinischer Dokumente verbessert, Laborautomatisierung unterstützt und die Bereitstellung von VR-Flotten über verschiedene Umgebungen hinweg beherrschbar gemacht hat.

Tech: TypeScript, Next.js, Node.js, React, Java, Spring Boot, Python, PyTorch, TensorFlow, Docker, PostgreSQL, OpenAPI, GitLab, GitHub Actions.

• Durchgeführte qualitative und quantitative Analysen der gewonnenen Ergebnisse, Kategorisierung von Themen, Bewertung von Methoden und Beurteilung der Studienqualität und -zuverlässigkeit.
• Erstellte Forschungsberichte und Evidenzzusammenfassungen, um wichtige Trends, Lücken und Chancen für akademische Betreuer oder funktionsübergreifende Teams zu kommunizieren.
• Präsentierte Ergebnisse durch klar strukturierte Visualisierungen, Tabellen und narrative Zusammenfassungen, um Entscheidungsprozesse zu unterstützen und zukünftige Forschungsrichtungen zu steuern.

• Als Datenspezialist habe ich meine analytischen Fähigkeiten genutzt, um Rohdaten in umsetzbare Erkenntnisse zu verwandeln und damit strategische Entscheidungen und operative Verbesserungen vorangetrieben. Meine Aufgaben umfassten Dateninterpretation, Automatisierung von Berichten und funktionsübergreifende Zusammenarbeit unter Einsatz von Tools wie Microsoft Excel, Power BI und Python für umfassende Datenanalysen.
• Implementierung von Python-Skripten zur Validierung und Abstimmung großer Datensätze, wodurch manuelle Fehler reduziert und die Datenzuverlässigkeit erhöht wurden.
• Einsatz von Python (Pandas, NumPy, Matplotlib/Seaborn) zur Automatisierung von Datenbereinigung, -analyse und -visualisierung, was Effizienz und Genauigkeit im Reporting steigerte.
• Entwicklung interaktiver Dashboards in Power BI zur Darstellung wichtiger Kennzahlen, Trends und Leistungsindikatoren, um Entscheidungsprozesse in Echtzeit zu unterstützen.
• Gestaltung und Durchführung automatisierter Berichte mit Excel (Pivot-Tabellen, Power Query, VBA) und Power BI, um Datenkonsistenz und -genauigkeit abteilungsübergreifend sicherzustellen.
• Datenanalyse: Excel (Erweiterte Pivot-Tabellen, Power Query), Power BI (DAX, Datenmodellierung), Python (Pandas, NumPy, Visualisierungsbibliotheken)
• Automatisierung & Reporting: Power BI Dashboards, Excel-Makros (VBA), Python-Skripting.

• Konzipierte und implementierte End-to-End-Datenworkflows (BigQuery + Power BI) und verwandelte Rohdaten in Dashboards für das Management zur KPI-Überwachung
• Abgefragt und transformiert große Datensätze mit Google BigQuery zur Unterstützung analytischer Anwendungsfälle und zur Generierung von Insights

• Veröffentlichung eines peer-reviewten Artikels zur vergleichenden Analyse biophysikalischer Modelle in der Diffusions-MRT, der laufende Forschungsprojekte beeinflusst hat.
• SciPy wurde für das Titelbild der entsprechenden Journalausgabe ausgewählt.

• Analyse von Patientendaten für diverse Auftraggeber
• Entwicklung komplexer Analyse-Pipelines
• Qualitätssicherung der Methoden

• War als Full-Stack-Entwickler entscheidend an der Entwicklung von templeswiki.com beteiligt und erstellte und optimierte mehrere Seiten und Microservices, um ein responsives und benutzerfreundliches Erlebnis sicherzustellen.
• Entwickelte einen interaktiven Chatbot mit Natural Language Processing (NLP), um die Nutzerinteraktion zu verbessern und die Kundenkommunikation in der Anwendung zu vereinfachen.
• Baute eine robuste ETL-Pipeline mit Python auf, um mehrsprachige Labels zu erstellen und so eine nahtlose Übersetzung von Inhalten zu ermöglichen.
• Leitete das QA-Team, erstellte einen umfassenden Testplan, um die reibungslose Funktion der Anwendung gründlich zu prüfen, und entwickelte gleichzeitig ein internes Tool zur Anwesenheitsdokumentation, um die Effizienz zu steigern.

• Bewertete 45+ KI-Anwendungsfälle und entwickelte einen Priorisierungsrahmen für die interne KI-Roadmap von Siemens.
• Testete interne Tools wie DRIM, SiemensGPT und Microsoft Copilot; präsentierte die Evaluationsergebnisse den Stakeholdern.
• Identifizierte Leistungslücken und steigerte die Tool-Akzeptanz um 65 %.
• Unterstützte Wissensaustauschinitiativen zu KI, leitete Onboarding-Sessions für Tools und verbesserte die KI-Kompetenz im Team.
• Arbeitete mit den Abteilungen Engineering, Einkauf und Digital zusammen, um Feedback zu Tools zu sammeln und die Strategie abzustimmen.

• Analysierte operative Daten von über 400 Bestellungen pro Tag, um Engpässe zu identifizieren und Lieferabläufe zu optimieren, und erreichte so eine termingerechte Lieferquote von 97 % durch datengetriebene Prozessverbesserungen.
• Führte ein bereichsübergreifendes Team von über 10 Mitarbeitenden, nutzte Datenanalysen zur Verbesserung der Protokolltreue um 25 % und steigerte die Produktivität um 15 % innerhalb von 3 Monaten.
• Implementierte Dashboards zur Leistungsüberwachung und KPI-Monitoring-Systeme, die die Mitarbeiterbindung um 10 % steigerten und 100 % Sicherheitskonformität aufrechterhielten.
• Förderte operative Exzellenz durch kontinuierliche A/B-Tests von Arbeitsabläufen und Echtzeitanalysen der Performance.

• Implementierte eine Kommandozeilen-Schnittstelle (CLI) zur Integration von REST-APIs verschiedener Microservices für Endanwender
• Zentralisierte und vereinfachte die Interaktion mit den Services über die CLI
• Implementierte einen REST-Microservice für benutzerdefinierte Datenschemata basierend auf einem API-first-Ansatz
• Entwickelte ereignisgesteuerte Steuerung mit RabbitMQ zur Anbindung an andere Services
• Setzte Services mit Docker und Kubernetes ein und erweiterte die CLI
• Bewältigte Komplexität und Datenvolumen über den Microservice

• Hybride semantische und schlüsselwortbasierte Suche sowie LLM-basierte Anforderungs­extraktion aus Konversationsanfragen entwickelt, die Suchgenauigkeit um 85 % gesteigert, Suchen ohne Treffer um 70 % und die Suchzeit um 60 % reduziert.
• Produktionsreife API mit Monitoring-Dashboards für über 100.000 Produkte bereitgestellt, Antwortzeiten unter 2 s gehalten und die Zeit von Suche bis Kauf um 40 % verkürzt.
• Technologien: Python, BGE-M3, Qwen2.5, FastAPI, Qdrant, Meilisearch, Docker, Prometheus, vLLM.

• Mit Stakeholdern zusammengearbeitet, um Anforderungen zu verstehen und den Projektumfang sowie Erfolgskriterien festzulegen
• Anpassungsfähigkeit bewiesen, indem ich mich schnell in einem komplexen, unklaren regulatorischen Umfeld eingearbeitet habe
• Umfassende wissenschaftliche Entwurfs-, Architektur-Review- und abschließende Methodendokumentation verfasst, um Reproduzierbarkeit zu gewährleisten
• Daten, die in Amazon Redshift und Amazon S3 gespeichert waren, mit SQL gesammelt
• Explorative Datenanalyse und Feature-Engineering mit Python (matplotlib und seaborn), PySpark und Amazon EMR durchgeführt
• Maschinelle Lernmodelle entwickelt und validiert, um Optimierung, Zeitreihenprognosen, Anomalieerkennung und Klassifikation zu ermöglichen
• Maschinelle Lernmodelle mit Python-Bibliotheken wie scikit-learn, numpy und pandas entwickelt
• Das Machine-Learning-Modell mit der AWS-Cloud-Plattform (MLOps), insbesondere AWS SageMaker, bereitgestellt