Synthetic Data Experten in Deutschland
, die mithilfe von KI innerhalb von Minuten aus über 15.000 Lebensläufen vermittelt werdenArbeiten Sie mit Spezialisten zusammen, die generative datenschutzfreundliche Datensätze entwickeln, Diffusionsmodelle für tabellarische Pipelines trainieren und die statistische Genauigkeit validieren – sofort vermittelt an geprüfte und verfügbare Freiberufler.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Synthetic Data eingesetzt haben
Peter S.
Letzte Position:
Senior ML Engineer & KI-Forscher bei Kunde anonym
Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung
- Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
- Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
- Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.
Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision
Mariia D.
Letzte Position:
Lead Quality Assurance Engineer bei SoftServe
Enterprise Agile Planning Platform
Wichtige Erfolge:
- Shift-left-Testpraktiken eingeführt und gefördert.
- QA-Metriken zur Überwachung der Release-Qualität und Unterstützung datenbasierter Entscheidungen etabliert und gepflegt.
- Automatisierte Selenium-Tests überprüft, Lücken in der Testabdeckung identifiziert und Verbesserungen gemeinsam mit dem Automation-Team priorisiert.
Verantwortlichkeiten:
- QA-Aktivitäten über den gesamten Release-Zyklus gesteuert, Testaufwände koordiniert und die Release-Bereitschaft sichergestellt.
- 10 QA-Ingenieure betreut und eingearbeitet sowie den Wissensaustausch gefördert.
- Technische Interviews geführt und an der Bewertung von Bewerbern teilgenommen.
- Mit Stakeholdern zusammengearbeitet, um Qualitätspraktiken zu verbessern.
Sven W.
Letzte Position:
Simulation von Photometric-Stereo-Setups bei ID Engineering
- Rolle: Simulation Engineer
- Umfeld: Maschinenbau / Visuelle Inspektion
- Ziele & Umsetzung: Simulation von Photometric-Stereo-Setups, um optimale Positionen von Kameras und Lichtquellen bauteilspezifisch zu ermitteln.
- Business Value: Ermöglichte eine kostengünstige und skalierbare Lösung, um bauteilspezifische Hardware-Setups zu bestimmen.
- Tech Stack: Python, Blender
Devakinand D.
Letzte Position:
Master's Thesis: Analyse von Prompt Engineering zur Datenextraktion aus unstrukturierten Daten bei Technical Institute of Rosenheim
- Anwendung fortgeschrittener Machine-Learning-Techniken durch die Entwicklung eines Prompting-Frameworks mit mehreren Strategien (Zero-shot, Few-shot, CoT, Instruction Tuning) zur Extraktion strukturierter Daten aus komplexen Finanz- und medizinischen Datensätzen. Dadurch wurden die Modellzuverlässigkeit deutlich erhöht und durch eine umfassende Evaluation mit fortgeschrittenen Metriken (ROUGE-L, METEOR, Cosine Similarity) eine Verbesserung des F1-Scores um 18% erzielt.
- Entwicklung skalierbarer Workflows für strukturierte Ausgaben und Aufbau automatisierter Monitoring-Pipelines (spaCy, ClearML) zur kontinuierlichen Leistungsverfolgung unter Anwendung praxisnaher MLOps-Prinzipien.
- Iterative Verbesserung der Prompt-Strategien auf Grundlage einer sorgfältigen Fehleranalyse, um eine robuste und produktionsreife Leistung sicherzustellen.
Stephan B.
Letzte Position:
Freiberuflicher Data Scientist bei Baier Data & AI Consulting
Martin R.
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)
Caner K.
Letzte Position:
Synthetischer medizinischer Datensatz (MedGym) bei MedTank
- Synthetische Datensätze für die Erkennung von CXR, Mammografien und distalen Radiusfrakturen mithilfe von GANs und Diffusionsmodellen generiert und dabei >50k synthetische Bilder für Benchmarking erstellt.
- DSGVO-konforme Prozesse und Reproduzierbarkeit sichergestellt, wodurch die Nutzung des Datensatzes für interne Validierungen und akademische Zusammenarbeit ermöglicht wurde.
- Das Projekt wurde in der internen R&D-Präsentation von MedTank als wegweisende Initiative für synthetische Daten vorgestellt.
Aniruddha P.
Letzte Position:
KI-Softwareentwickler bei Sentics GmbH
- Entwicklung einer Python-basierten Pipeline zur Generierung synthetischer Daten in Blender, um komplexe Interaktionen zwischen Menschen und Gabelstaplern für die Roboterwahrnehmung und das Training von KI-Modellen zu simulieren.
- Entwurf und Modellierung industrieller digitaler Zwillinge in 3D zur Unterstützung von Tiefenschätzung, Stereo Vision und Sicherheitsanalyse.
- Erfassung und Verarbeitung von LiDAR-, Laser- und Photogrammetrie-Punktwolken zur Erstellung präziser 3D-Karten für die Rekonstruktion von Umgebungen und die Erstellung von Ground-Truth-Daten.
- Entwicklung und Bereitstellung von auf YOLOv8 basierenden Algorithmen für Pose Estimation und Tiefenwahrnehmung mit PyTorch und OpenCV, optimiert für GPU-Cluster und NVIDIA Jetson-Plattformen.
- Integration und Validierung von KI-Modulen in ROS-basierten Roboterumgebungen unter Sicherstellung von Echtzeit-Performance und Interoperabilität.
Ehsan A.
Letzte Position:
Klinischer Data Scientist bei Freiberuflich
- Durchführung von Datenmanagement und statistischer Analyse für klinische Studien im Auftrag von CROs.
- Gastdozent an der Ivancity University in Paris mit Schwerpunkt auf Datenanonymisierungstechniken und Statistical Disclosure Control.
- Erbringung wissenschaftlicher und medizinischer Schreibdienstleistungen für Pharmaunternehmen.
- Durchführung von Optical-Mapping-Datenanalysen und Entwicklung von Softwaretools mit Fokus auf Algorithmusoptimierung und technischem Support.
Gabin N.
Letzte Position:
Freiberuflicher Mathematikexperte für das Training von KI-Modellen bei Outlier AI and Mindrift AI
- KI-Modelle trainiert, um spezialisierte reale Probleme zu lösen
- Forschungsorientierte Prompts auf Basis der Angewandten Mathematik entworfen und Bewertungsraster entwickelt, die konsequent das Modellverständnis und die Ausgabequalität verbessern
- Leistung, Genauigkeit und Zuverlässigkeit fortschrittlicher KI-Modelle bewertet
- Eng mit bereichsübergreifenden Entwicklungsteams zusammengearbeitet, um sicherzustellen, dass KI-Modelle den Industriestandards entsprechen, und um umsetzbare Erkenntnisse bereitzustellen
Prasanna H.
Letzte Position:
Masterand bei Robotics Research Lab, TU Kaiserslautern
- Datensätze benchmarkt, reale Offroad-Daten gesammelt (~9000 Bilder) und Simulationsdatensätze mit Unreal Engine erzeugt.
- Gen-AI-Bildsegmentierung in Unreal Engine entwickelt, wodurch sich die Zeit von 1–2 Tagen auf 5–10 Minuten verkürzte.
- Generative-AI-Daten-Enhancement-Pipeline aufgebaut. Verbesserte die synthetischen Daten um +49% mIoU.
- Technologie: Python, PyTorch, C++, Git, LangChain, Gen-AI, Linux, W&B, OpenCV, Labelme.
Geraldine C.
Letzte Position:
Solution Engineer (Daten- & ML-Integration) bei Amadeus Data Processing GmbH
- Entwarf ML-fähige Datenintegrations-Workflows zwischen On-Premise-Systemen und Cloud-Plattformen (Snowflake, AWS Redshift, Azure) und ermöglichte so skalierbares Feature Engineering und Deployment von Modellen
- Implementierte automatisierte ML-Pipeline-Bereitstellung mit Python, SQL und CI/CD-Tools und reduzierte die Modellbereitstellungszeit um 60 %
- Entwickelte Logik zur Datenumwandlung für die Stammdatensynchronisation zwischen ERP- und Analysesystemen und sicherte so die Datenqualität für prädiktive Modelle
- Arbeitete mit funktionsübergreifenden Teams zusammen, um Geschäftsanforderungen in mathematische Spezifikationen für ML-Lösungen zu übersetzen
Kashyap K.
Letzte Position:
Masterarbeit – Generierung synthetischer Daten für die Qualitätsprüfung bei Schaeffler Technologies AG
- Entwicklung eines Frameworks zur Generierung synthetischer Daten mithilfe von 3D-Simulation (NVIDIA Omniverse) und Generativer KI (Stable Diffusion) zur Modellierung und Erweiterung industrieller Oberflächenfehler.
- Training und Evaluierung von Computer-Vision-Modellen (YOLO, DETR) mit einer Detektionsgenauigkeit von 94% bei realen Proben sowie erfolgreicher Übertragung von der Simulation auf die Realität.
- Anwendung von Domänenanpassung zur Verbesserung der Übertragung von der Simulation auf die Realität, wodurch skalierbare industrielle KI für die automatisierte Qualitätsprüfung ermöglicht und Produktionsausfallzeiten reduziert wurden.
Thomas J.
Letzte Position:
Testmanager bei Hamburger Energienetze GmbH
- Methode: keine Methode
- Umfeld: ERP, S4/Hana, Confluence, Jira, Xray, SAP Solution Manager, Tosca
- Erstellung des Testkonzeptes für die Migration von ERP auf S/4HANA
- Erstellung von manuellen Testfällen und Testplänen für den Abnahmetest
- Koordination der Tests zwischen den Fachtestern
- Testautomatisierung mit Tosca
- manuelles Testing
Sushant R.
Letzte Position:
Senior Data Scientist bei INES Analytics GmbH
- Leitung der Implementierung von ETL-Pipelines für mehrere Produkte mit unterschiedlichen Daten- und Berichtanforderungen, einschließlich Datenbereinigung, -validierung und -vorbereitung.
- Leitung eines rotierenden Teams von 2–3 Data Scientists (insgesamt 6) zur Entwicklung und Bereitstellung mehrerer Data-Science-Projekte in den Unternehmensprodukten; Verantwortung für Zeitpläne und Ergebnisse.
- Zusammenarbeit mit Backend-, DevOps- und Frontend-Teams zur Integration von Data-Science-Pipelines in die Produktion und Gewährleistung reibungsloser, termingerechter Auslieferungen.
- Entwicklung eines probabilistischen Systems zur synthetischen Datengenerierung, um statistisch treue Datenduplikate zu erstellen, containerisiert mit Docker für reproduzierbare Deployments; validiert durch Alpha-Tests mit 5 Entwicklungspartnern für datenschutzfreundliche Analysen und Berichte.
- Entwurf und Aufbau eines präskriptiven Analysemoduls mit Szenariosimulation zur Unterstützung datengetriebener Entscheidungen.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Synthetic Data einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
10 Jahre
Positionsdauer
1,6 Jahre
Positionen pro Freelancer
7
Häufigste Fachbereiche
Informationstechnologie (IT), Forschung und Entwicklung (F&E), Produktentwicklung
Häufigste Branchen
Informationstechnologie (IT), Bildung, Fertigung
Fokus der Zertifizierungen
Informationstechnologie (IT), Forschung und Entwicklung (F&E), Qualitätssicherung
Bachelor-Abschluss oder höher
95%
Master-Abschluss oder höher
89%
Doktortitel
37%
Zertifizierungen pro Freelancer
2
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
95%
Basierend auf unserem Profilpool, Stand 29 Okt 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in Deutschland, die Synthetic Data einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 29 Okt 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Synthetic Data Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (65%)
- Bildung (55%)
- Fertigung (45%)
- Bank- und Finanzwesen (35%)
- Gesundheitswesen (35%)
- Automotive (25%)
- Biotechnologie (20%)
- Professionelle Dienstleistungen (20%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Generative Datensätze und Datenschutz
Die Erzeugung künstlicher Daten erstellt künstlich erzeugte Datensätze, die die mathematischen Eigenschaften, Korrelationen und Verteilungen realer Eingabedaten beibehalten, ohne sensible Attribute offenzulegen. Entwicklungsteams nutzen diese Verfahren, um strenge Anforderungen an die Datenminimierung gemäß den europäischen Vorschriften zu erfüllen und gleichzeitig wichtige Machine-Learning-Initiativen fortzuführen.
Zentrale Werkzeuge und Modell-Frameworks
- Generative kontradiktorische Architekturen wie CTGAN und WGAN für tabellarische Datensätze
- Diffusionsmodelle und Variational Autoencoder für kontinuierliche strukturierte Werte
- Open-Source-Engines wie SDV, Gretel und YData Synthetic
- Frameworks für differentielle Privatsphäre wie Diffprivlib und OpenDP
- Simulationssysteme wie NVIDIA Omniverse für 3D-Computer-Vision-Datenströme
Industrielle Nutzung in Deutschland
Deutsche Unternehmen aus der Automobilbranche, der industriellen Fertigung und dem Bereich der digitalen Gesundheitsversorgung setzen künstlich erzeugte Trainingsdatensätze ein, um erhebliche Datenknappheit zu überwinden. In der klinischen Forschung und der Telemedizin umgehen simulierte Patientenkohorten Hürden bei grenzüberschreitenden Datenübertragungen. Auch die Entwicklung autonomer Fahrzeuge und die Robotik nutzen die programmatische Sensorgenerierung, um kritische Ausnahmefälle sicher zu simulieren.
Überprüfung und Verteilungstreue
- Wasserstein-Distanz und Kullback-Leibler-Divergenz zur Quantifizierung von Verteilungsverschiebungen
- Matrizen der gegenseitigen Information und Bewertungen zur Erhaltung von Korrelationen
- Benchmarks zur Leistungsfähigkeit von Machine Learning, die die Leistung nachgelagerter Aufgaben messen
- Empirische Tests auf Re-Identifizierung und Schwachstellen durch Membership Inference
Wann Unternehmen freiberufliche Spezialisten einsetzen
Teams holen externe Fachleute hinzu, wenn interne Teams Schwierigkeiten mit der Darstellung seltener Ereignisse, einem starken Klassenungleichgewicht oder Prüfanforderungen an algorithmische Fairness haben. Externe Spezialisten richten automatisierte Synthese-Pipelines ein, die direkt in moderne Cloud-Data-Warehouses integriert sind, und gewährleisten wiederholbare und konforme Modelltrainingszyklen ohne den Aufwand manueller Datenextraktion.
Merkmale starker technischer Spezialisten
Erfahrene Fachleute verbinden fundierte probabilistische Modellierung mit soliden Grundlagen im Privacy Engineering. Sie verstehen mathematische Datenschutzbudgets, stimmen Epsilon-Parameter verantwortungsvoll ab und implementieren reproduzierbare Validierungsprotokolle. Sie übersetzen rechtliche Grenzen in strenge algorithmische Vorgaben, die sowohl Compliance-Verantwortliche als auch Machine-Learning-Ingenieure erfüllen.
Häufig gestellte Fragen
Alles, was Kunden üblicherweise über Synthetic Data wissen wollen – kompakt an einem Ort.
Der Einsatz von synthetischen Daten ermöglicht es Teams, komplexe Algorithmen zu trainieren, wenn der Zugriff auf Produktionsdaten durch Datenschutzgesetze, grenzüberschreitende Einschränkungen oder Vertraulichkeitsvereinbarungen begrenzt ist. Außerdem begegnet er einer extremen Datenknappheit, indem realistische Ausnahmefälle erzeugt, historische Verzerrungen korrigiert und Minderheitsklassen in tabellarischen oder Bilddatensätzen ausgeglichen werden.
Die herkömmliche Anonymisierung basiert auf Maskierung, Pseudonymisierung oder Verfälschung, was den analytischen Nutzen häufig verringert und weiterhin anfällig für moderne Verknüpfungsangriffe ist. Im Gegensatz dazu erzeugen künstlich generierte Daten vollständig neue Datensätze aus generativen Modellen, die mathematische Zusammenhänge erfassen, ohne die ursprünglichen individuellen Datensätze beizubehalten, und dadurch eine bessere differentielle Privatsphäre erreichen.
Ein qualifizierter Praktiker, der mit synthetischer Datengenerierung arbeitet, verfügt typischerweise über umfassende Kenntnisse in Python, PyTorch und spezialisierten Werkzeugen wie Synthetic Data Vault oder Gretel. Außerdem bringt er praktische Erfahrung mit Bibliotheken zur statistischen Validierung, SQL, Implementierungen differentieller Privatsphäre und Tools zur Containerisierung in der Cloud mit.
Experten bewerten die Qualität generativer Datensätze anhand statistischer Kennzahlen wie der Jensen-Shannon-Divergenz, Matrizen zur Erhaltung von Korrelationen und Benchmarks zur Leistungsfähigkeit nachgelagerter Modelle. Auf der Sicherheitsseite führen sie automatisierte Re-Identifizierungsangriffe und Membership-Inference-Tests durch, um sicherzustellen, dass die Datenschutzgarantien auch unter adversarialen Bedingungen gelten.
Die Nachfrage nach synthetischen Datensätzen in Deutschland ist in streng regulierten Bereichen wie Fahrzeugsicherheit, Bankwesen und Medizintechnik hoch. Da Unternehmen strenge DSGVO-Vorgaben und lokale Standards für Data Governance einhalten müssen, helfen externe Spezialisten Teams dabei, innovativ zu arbeiten, ohne Verstöße zu riskieren.
Während künstlich erzeugte Datensätze reale Daten in Testumgebungen und beim Vortraining von Modellen ersetzen können, benötigen Produktionsmodelle für die abschließende Bewertung weiterhin eine Validierung mit echten Daten. Die robustesten Machine-Learning-Architekturen kombinieren erweiterte erzeugte Stichproben mit grundlegenden Validierungsdatensätzen, um subtile Anomalien zu erfassen.
Die Einrichtung erster Pipelines, die Berechnung von Datenschutzbudgets und grundlegende Prüfungen mit synthetischen Daten dauern in der Regel mehrere Wochen bis einige Monate. Langfristige Initiativen umfassen häufig kontinuierliche Verbesserungen, die Integration der Pipeline in CI/CD-Workflows und die laufende Überwachung von Verteilungsverschiebungen.
Die meisten Initiativen mit synthetischen Daten werden remote umgesetzt, da Spezialisten mit aggregierten Schemadefinitionen, Stichproben oder containerisierten Umgebungen arbeiten. Für Kunden in Deutschland, die mit besonders sensibler On-Premise-Hardware arbeiten, koordinieren sich Spezialisten häufig über sichere hybride Modelle oder lokale Cloud-Sandboxen.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, liegt bei 69 €, was einem Tagessatz von etwa 549 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, haben 95% mindestens einen Bachelor-Abschluss, 89% mindestens einen Master-Abschluss und 37% einen Doktortitel.
Freelancer in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 10 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,6 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, sind Deutsch (95%), Englisch (95%) und Französisch (10%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (65%), Bildung (55%) und Fertigung (45%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Synthetic Data in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (95%), Forschung und Entwicklung (F&E) (85%) und Produktentwicklung (75%).
Hauptstandorte der FRATCH Experten, die kürzlich Synthetic Data eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Berlin Hamburg München Köln Frankfurt Stuttgart Düsseldorf Leipzig Dortmund Essen Bremen Dresden Hannover Nürnberg Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!
Philipp Thomaschewski
FRATCH CEO
