Seaborn Experten in Deutschland

• Task Engineering: Bewertung von Coding Agents.
• Asset-Erstellung: Aufbau realistischer Aufgabenumgebungen mit Datensätzen und Dateien auf Deutsch. Entscheidend ist dabei, dass diese Assets in der Zielsprache bleiben, um den Umgang mit mehreren Sprachen wirklich zu messen.
• Prompting & Translation: Finden von Fehlerstellen, an denen die KI nicht funktioniert, auf Deutsch.
• Implementierung & Verifikation: Unterstützung bei der Entwicklung robuster Lösungen (Referenzimplementierungen) und Schreiben sehr zuverlässiger, deterministischer Verifizierungs-Skripte (mit rubric-basierten Bewertungen nur dann, wenn es unbedingt nötig ist).
• Kalibrierung & Ausführung: Auswertung von Ausführungslogs und Kalibrierung des Aufgabenschwierigkeitsgrads (Easy bis Very Hard) mit Standard-Terminal-Bench-Run-Konfigurationen gegen verschiedene Modellstufen (Haiku, Opus).
• Qualitätssicherung: Mitarbeit in einem strengen, 4-stufigen menschlichen Qualitätskontrollprozess (Erstellung, menschliche Prüfung, Kalibrierungsprüfung und Audit) zusammen mit automatisierten LLM-basierten Checks, um Fairness, grammatikalische Korrektheit und Benchmark-Integrität sicherzustellen.
• Linguistische Prüfung: Überprüfung von KI-Benchmark-Aufgaben in Hindi, Arabisch, Japanisch, Chinesisch, Tschechisch und Türkisch.

• Portfolioaufbau & Kundenakquise
• Portfolioaufbau (RAG, NLP-Fine-Tuning, Prozessautomatisierung mit n8n) und aktive Kundenakquise
• Positionierung: DSGVO-konforme, lokal gehostete KI-Lösungen für den Mittelstand

• Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
• Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
• Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
• Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
• Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
• Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
• Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
• Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
• Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.

Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest

• Feinabstimmung und Evaluierung alternativer Backbone-Architekturen für den AFFGAN-Handschriftsstil-Encoder, um schriftstellerspezifische Merkmale besser zu erfassen; Benchmarking gegenüber der ursprünglichen Baseline-Architektur und Ersetzung der veralteten VGG19-Architektur durch einen benutzerdefinierten Transformer-basierten Encoder.
• Erweiterung des Systems über die Synthese auf Wortebene hinaus zur zeilenweisen Handschriftgenerierung durch Integration und Anpassung einer bestehenden Zeilengenerierungsarchitektur zur Unterstützung vollständiger Sätze.
• Bereitstellung der Handschriftgenerierungspipeline als Webanwendung, mit der Nutzer einen Schreibstil auswählen, eigenen Text eingeben und sofort ein entsprechendes Handschriftbild erzeugen können.
• Integration von TrOCR in ein Teacher-Student-Destillierungsframework zur Bewertung und Verbesserung der Lesbarkeit generierter Handschrift; Verbesserung der OCR-Genauigkeit um 20% gegenüber der Baseline.
• Steigerung der Auswahlraten in Nutzerstudien um 40%, was eine deutliche Verbesserung der wahrgenommenen Qualität und des Realismus der generierten Handschrift gegenüber dem Baseline-Modell zeigt.

Technologien: PyTorch, Python, GANs, CNN, ViT, TrOCR, Streamlit, CUDA.

• Titel: Verbesserung des syntaktischen Bewusstseins in Transformer-Sprachmodellen für das Hindi-Dependency-Parsing
• Untersuchung des syntaktischen Wissens, das Transformer-Sprachmodelle (RoBERTa, XLM-RoBERTa) für das Hindi-Dependency-Parsing erfassen, einer morphologisch reichhaltigen und ressourcenarmen Sprache.
• Entwicklung strukturbewusster Modellvarianten (Struct_Roberta_hi, Struct_XLMR) durch Integration eines CNN-basierten Parser-Netzwerks zwischen den Transformer-Schichten, inspiriert von der StructFormer-Architektur.
• Durchführung umfangreicher Fehleranalysen einschließlich Auswertungen nach Label, Distanz, Richtung, Satzlänge sowie LVC/Non-LVC.
• Evaluierung der Modelle bei nachgelagerten NLP-Aufgaben (NER, POS-Tagging) unter Verwendung des IndicXTREME-Benchmarks.

• Verwaltete und pflegte tägliche Verkaufs- und Transaktionsdaten und stellte deren Genauigkeit und Integrität für operative Berichte und Analysen sicher.
• Analysierte Kaufmuster von Kunden, um die Bestandsplanung zu unterstützen und die Produktverfügbarkeit zu verbessern.

• Unterrichtete Python, Pandas, Datenanalyse, Visualisierung und Power BI für mehr als 250 Studierende.
• Begleitete praktische Projekte von der Datenaufbereitung und explorativen Analyse bis zur Visualisierung und Dashboard-Erstellung.
• Erklärte komplexe analytische Konzepte verständlich für Zielgruppen mit unterschiedlichen technischen Kenntnissen.

• 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

• Mit Commercial-, Vertriebs- und Medical-Affairs-Teams zusammenarbeiten, um geschäftliche Fragestellungen in strukturierte Analysen und interaktive Power BI-Dashboards zu übersetzen und so datengetriebene Entscheidungen in einem regulierten Pharma-Umfeld zu ermöglichen.
• Power BI-Dashboards entwerfen und pflegen, die Daten aus Veeva CRM, SharePoint und Databricks integrieren und Echtzeiteinblicke in Verkaufstrends, Gebietsergebnisse und kommerzielle KPIs in mehreren Märkten bieten.
• Mehrere Tabellen in Databricks mit SQL abfragen und verknüpfen, um saubere, analysefertige Datensätze zu erstellen, und Transformationsschritte wie Filtern, Aggregation und Window-Funktionen anwenden, um Daten für Berichte aufzubereiten.
• Power Automate-Flows implementieren, um Datenaktualisierungen zu automatisieren und bei Überschreiten von KPI-Schwellenwerten Benachrichtigungen auszulösen, wodurch die Aktualität und Zuverlässigkeit der Commercial Analytics-Berichterstattung verbessert wird.

Verantwortung für Commercial Finance in der Region Zentraleuropa (DACH und Polen), Reporting an den EMEA Commercial Finance Director. Monatliches Financial Reporting, Forecasting und Abweichungsanalysen, Bewertung von Promotions und Sonderaktionen, Steuerung von Planungsprozessen inkl. Budgetierung sowie Erstellung von QBR-Unterlagen bis auf CFO-Ebene. Übernahme der fachlichen Führung im Finance-Team nach Ausfall der Mandatsträgerin.

• Verbesserte die KI-Modell-Überwachungslösung, um einen Vergleich von Modellversionen und eine umfassende Nachverfolgung von Eingangsvariablen mit relativen Drift-Metriken für eine vollständige Überwachung zu ermöglichen.
• Entwickelte eine maßgeschneiderte LLM-Lösung, um das Zertifikat für Wareneingänge zu automatisieren und eine nachgelagerte Analyse zu ermöglichen.
• Verbesserung von Digital-Twin-KI-Modellen zur Unterstützung der Modellvalidierung.

Skills: Python, Statistische Berechnung, Large Language Models (LLM), Machine-Learning-Engineering, Natural Language Processing (NLP), Data Wrangling, Datenvisualisierung, Statistische Auswertung.

Tools: Python-Programmierung, Snowflake, Databricks, Microsoft Powerapps, Powerautomate, PowerBI, Scipy, Seaborn, Scikit-Learn.

• 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

• Planung, Definition und Durchführung von Testfällen für Produkterstellung, Messdaten-Upload und Diagrammprüfung
• Entwicklung von schlüsselwortgetriebenen Funktionstests mit Robot Framework
• Definition und Erzeugung realistischer Testdaten mit Python
• Umsetzung von datengetriebenen und REST-API-Schnittstellentests
• Durchführung von Bildvergleichstests auf Basis von OpenCV
• Entwicklung von Lasttests für verschiedene Umgebungen
• Durchführung von Regressionstests und End-to-End-Tests, Ergebnisreporting und Fehlerverwaltung
• Systematische Erweiterung der Testabdeckung
• Anbindung von Jenkins an Xray für das Testmanagement
• Ticketverwaltung mit JIRA und Dokumentation in Confluence
• Einsatz von Robot Framework, Playwright, Python, VS Code, Prectavi, JIRA, Confluence & Xray, Bitbucket, GitHub, Jenkins, MS Office 365 und Teams in einem agilen Projekt.

• 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.