YOLO Experten in Deutschland

• Leitung der strategischen Softwareentwicklung von Fusionsalgorithmen für präzises Objekt-Tracking, Trajektorienvorhersage und Umgebungsmodellierung auf Basis multimodaler Sensordaten (u. a. Kamera, LiDAR, Radar, GNSS, IMU)
• Entwicklung und Implementierung von Navigationsalgorithmen für autonome Fahrzeuge, einschließlich Pfadplanung, Hindernisvermeidung und Sensorfusion aus visuellen, inertialen und distanzbasierten Sensorquellen
• Automatisierung des Extraktions- und Trainingsprozesses mit CI/CD
• Entwicklung und Optimierung von Datenpipelines und -prozessen in Microsoft Azure mithilfe von Apache Spark, Databricks und PySpark
• Entwicklung und Optimierung von Embedded-Software für automotive Steuergeräte
• Entwicklung von latenzkritischer Software für Echtzeitsteuerungen in robotischen Systemen mit RTOS (freeRTOS, SAFERTOS)
• Verwendung der Vector-Toolchain (CANdela, Davinci, CANoe) für Konfiguration und Diagnose
• Optimierung bestehender Datenpipelines und -prozesse (ETL, Data Warehouse, SQL)
• Entwicklung und Training von Machine-Learning-Modellen mithilfe von PyTorch
• Entwicklung Deep-Learning-basierter Objekterkennungs- und VisualSLAM-Algorithmen, trainiert auf kombinierten Daten aus Kamera-, LiDAR- und IMU-Sensorik
• Implementierung von Computer-Vision-Algorithmen zur Objekterkennung und -klassifikation in Robotersystemen auf Basis von OpenCV und YOLO unter Nutzung synchronisierter Bild- und Tiefendaten
• Implementierung verhaltensbasierter Steuerungssysteme für autonome Roboter mittels ROS2 Behavior Trees
• Durchführung von Tests, Freigabe und Einführung der Sensorfusionsalgorithmen in die Produktionsprogramme der Automobilbranche
• Einhaltung geeigneter Softwareentwicklungsprozesse und Sicherheitsstandards zur Gewährleistung hoher Datenqualität (MISRA, ISO 26262, ASPICE)

• Erstellte ein multi-agentisches System, unterstützt von einem Wissensgraphen, um das Verfassen von Forschungsarbeiten zu automatisieren
• Setzte mehrere Experten (OpenAI-Modelle) ein, die beim Verfassen zusammenarbeiteten
• Extrahierte nützliche Informationen aus dem Wissensgraphen
• Technologien: LangChain, LangGraph, Smolagents, LlamaIndex, dspy
• Infrastruktur: Terraform und GitHub Actions (CI/CD) auf AWS
• Stellte die erste Anwendung als Streamlit-App bereit

Re-Platforming eines E-Commerce-Shops auf Microservice-Architektur

• Ziel: Ablösung eines veralteten Shopware-Systems durch eine skalierbare, zukunftssichere Lösung auf Basis von Microservices und einer Headless-Architektur.
• Führte eine umfassende Architekturberatung durch und definierte die Microservice-Grenzen auf Basis einer Headless-Architektur mit commercetools als PIM/OMS und Next.js als Frontend-Lösung.
• Entwickelte und integrierte mehrere dezentrale Services (z. B. Internationalisierung, Personalisierung).
• Übernahm die Konfiguration zentraler Drittanbietersysteme wie Contentstack und Algolia.
• Realisierte eine stabile Cloud-Infrastruktur auf Google Cloud mit Monitoring über Grafana.

Technologien: commercetools, Next.js, Contentstack, Algolia, Google Cloud, Grafana, TypeScript, Shopware

Entwicklung einer internationalen E-Commerce-Plattform

• Ziel: Entwicklung einer leistungsstarken, benutzerfreundlichen und internationalen E-Commerce-Plattform.
• Definierte eine skalierbare, performante und wartbare Softwarearchitektur, die als Grundlage für die internationale Expansion der Plattform diente.
• Wählte einen Best-of-Breed-Technologie-Stack, der die Entwicklung eines erstklassigen Shops ermöglichte und den Entwicklungsaufwand für neue Features um 30 % reduzierte.
• Stellte die nahtlose Integration kritischer Drittanbieter-Systeme (PIM, CRM, ERP) sicher, um durchgängige Geschäftsprozesse und eine einheitliche Datenbasis zu gewährleisten.
• Implementierte umfassende Tracking- und Analysetools zur kontinuierlichen Performanceüberwachung und Optimierung der Customer Journey.

Technologien: React.js, Next.js, commerceTools, Algolia, Salesforce, Heroku, CI/CD, PHP, Google Analytics

KI-gestützte Personalisierung und Customer-Data-Plattform im E-Commerce

• Ziel: Ablösung statischer Inhalte durch eine dynamische, KI-basierte Personalisierungsstrategie zur Steigerung der Nutzerrelevanz und Automatisierung von Marketingprozessen.
• Konzipierte und baute eine Customer-Data-Plattform zur Aggregation und Zusammenführung von Kunden- und Analyticsdaten aus verteilten Quellen.
• Implementierte eine automatisierte Kategorisierung von Kundenprofilen als Grundlage für die Ausspielung personalisierter Inhalte und Produktempfehlungen im Shopware-Frontend.
• Entwickelte einen Semantic-Similarity-Algorithmus auf Basis von Python und OpenAI zur Berechnung von Produkt- und Inhaltsähnlichkeiten aus Nutzerprofilen.
• Realisierte die technische Anbindung von Retail-Media-Plattformen zur Steuerung externer Werbeplatzierungen entlang der Customer Journey.

Technologien: Shopware 6, Python 3, OpenAI, Elasticsearch, PHP, Symfony, Twig

Shopware-Tracking- & Consent-Architektur (DSGVO) für 4 Onlineshops

• Ziel: Aufbau einer einheitlichen, DSGVO-konformen und shopübergreifenden Tracking-Infrastruktur mit zentralem Consent Management über mehrere Shopware-Instanzen.
• Definition eines umfassenden Tracking-Guides und Entwicklung einer modularen Architektur, kompatibel über mehrere Shopware-Versionen hinweg.
• DSGVO-konforme Integration von Usercentrics und Adobe Launch über einen zentralen Tag Manager.
• Vollständiges Tracking-Setup (Page, Order, Product, User) inkl. partnerspezifischem Tracking (Emarsys, Channelpilot u.a.).
• Detailliertes Event- und Error-Tracking zur proaktiven Identifikation technischer Abbrüche.

Technologien: Shopware, Adobe Analytics, Usercentrics, Tag Manager, PHP, MySQL, DSGVO

KI-/LLM-Suchmaschine mit RAG und Hybrid Search (Python, Elasticsearch)

• Ziel: Aufbau einer KI-gestützten Suchmaschine mit RAG-Architektur und Hybrid Search zur präzisen Vermittlung von Dienstleistern aus über 500.000 Unternehmensdatensätzen.
• Entwicklung einer automatisierten Daten-Pipeline (Web Scraping + LLM), die Unternehmensdaten kontinuierlich crawlt und mittels LLMs in strukturierte Formate überführt.
• Implementierung eines RAG-Workflows inkl. Vektorisierung für semantische Suche zur Steigerung von Suchgenauigkeit und Relevanz.
• Konfiguration und Fine-Tuning von Elasticsearch für Hybrid Search (Vektor- + Keyword-Suche).
• End-to-End-Entwicklung von Backend-API, Frontend und Deployment auf Live-Servern.

Technologien: Python, FastAPI, Elasticsearch, LLM, RAG, React, Docker, Web Scraping

KI-/Computer-Vision-System (Python, ML) – Objekterkennung unter schwierigen Bedingungen

• Ziel: Entwicklung eines KI-gestützten Erkennungssystems mit zuverlässiger Performance auch bei Regen, Nebel, Schnee und Dunkelheit.
• Aufbau und Annotation eines umfangreichen Trainingsdatensatzes inkl. schwieriger Bedingungen.
• Training eines YOLO-basierten Objekterkennungsmodells; systematische Fehleranalyse und Optimierung von Datenqualität und Preprocessing.
• Stakeholder-Abstimmung über regelmäßige Status-Updates.

Technologien: Python, Machine Learning, TensorFlow, PyTorch, YOLO, OpenCV

• Leitung der KI-Entwicklung bei einem Aquakultur-Startup, Optimierung visueller Bewertungen von Schalentieren mit Machine Learning und Computer Vision.
• Entwicklung und systematische Bewertung von ML/CV-Algorithmen für den Zustand und die Morphometrie von Schalentieren, mit Python, Pytorch und MLFlow.
• Analyse der Modellleistung, einschließlich Identifizierung von Fehlermodi und Randfällen in Produktionsumgebungen.
• Entwurf von Annotationstrategien und Verfeinerung beschrifteter Datensätze für Computer-Vision-Aufgaben.
• Detaillierte Analyse der Systemleistung und Kommunikation der Ergebnisse in hochwertiger technischer Berichterstattung an Investoren und Kollegen in der Forschung und Entwicklung.
• Verantwortung für die Einhaltung und Umsetzung des technischen Fahrplans.

• Entwicklung von durchgängig reproduzierbaren ML-Pipelines (PyTorch) mit Datenversionierung (DVC), Experiment-Tracking (MLflow), automatisierten Tests (PyTest) und CI/CD über alle Trainings-Workflows.
• Skalierung von Vision Transformer- und CNN-Trainings auf NVIDIA A100 GPU-Cluster (CUDA, DDP, SLURM); Durchführung von Hyperparameter-Optimierung (W&B Sweeps) zur Reduzierung des Trainingsaufwands und zur Identifizierung optimaler Konfigurationen.
• Entwicklung eines Echtzeit-3D-Systems zur Generierung menschlicher Bewegungen (ViT, VQ-VAE, SMPL-X/PIXIE) für persönlichkeitsabhängige Avatar-Synthese; Erreichen von Spitzenwerten mit FID = 6,15 und P-FID = 10,31 im UDIVA-Benchmark.
• Validierung der Modell-Ausdruckskraft durch strukturierte Nutzerstudien und Erreichen einer 86%-Genauigkeit bei der Unterscheidung zwischen extrovertierten und introvertierten Avatar-Verhalten.
• Optimierung von Inferenz-Pipelines durch Deployment von PyTorch-Modellen mittels TensorRT und ONNX Runtime in nativen C++-Code; Durchführung von Performance-Benchmarks.

• Automatisierte Fahreranalyse durch Programmierung zeitlicher Regel-Engines zur Bewertung der Sicherheit beim Spurwechsel, Kopfhaltungskontrollen im Rückspiegel, Blinkerzyklen und Einhaltung von Ampeln und Verkehrszeichen
• Echtzeit-Verkehrszeichenerkennung und mehrstufige Ampelklassifikation synchronisiert mit zeitreihengenauer CAN-Bus-Telemetrie und HD-Karten-Raumprioren zur Bewertung der Verkehrsregelkonformität
• Trainierte und bereitgestellte separate Deep-Learning-Modelle, optimiert für die Innenraumüberwachung und die Außenbereichswahrnehmung
• Verknüpfte Wahrnehmungsausgaben mit kameraintrinsischen Parametern und Horizont-Stabilitätschecks, um unter Annahme einer ebenen Geometrie die 3D-Entfernung von Objekten auf der Bodenebene zu schätzen
• Bereitstellung eines Split-Compute-Edge-Netzwerks über VPN für eine Flotte von 10 Fahrzeugen und Implementierung einer Zero-Allocation-Host-Memory-Pipeline zur Eliminierung der Frame-Akkumulationslatenz (6×21 FPS pro Fahrzeug)

• Aufbau eines KI-Systems für Trend-Scouting zur Automatisierung von Technologie-Intelligence in der Leistungselektronik und bei Halbleitern, kombiniert mit Azure OpenAI und LangChain, Scrapy-basiertem Web-Crawling für eine strukturierte, störungsfreie Datenerfassung sowie automatischer PDF-Berichterstellung für den internen F&E-Einsatz. Entwicklung einer FastAPI-basierten Webanwendung (Uvicorn) zur Validierung von LLM-Ausgaben, zum Testen von Prompt-Strategien und für eine interaktive Systembewertung.
• Entwicklung eines Echtzeit-Debuggers für STM32-Binärtelemetrie mit PyQt-basierter GUI, inklusive header-basierter Framesynchronisation, Anomalieerkennung, template-gesteuerter Payload-Dekodierung, zeitsynchronem Buffering und Live-Signalvisualisierung.
• Entwicklung eines KI-gestützten Designers für Leistungsdrosseln mit Surrogate-Regression-Modellen für eine genaue elektromagnetische und thermische Vorhersage. Integration einer Multi-Objective-NSGA-II-Optimierung zur Generierung effizienter, fertigungsgerechter Designs.

• Entwicklung von Methoden für monokulare 3D-Gesichtsrekonstruktion und personalisierte geometrische Modellierung aus mobilen Bildern
• Entwicklung lernbasierter Ansätze für Gesichtsformschätzung, videobasierte Gesichts­analyse und datenschutzfreundliches visuelles Lernen

• Entwickelt Deep-Learning-System mit mehransichtigen Basler-Kameras zur markerlosen 3D-Pose-Schätzung

• Präsentation der weltweit ersten voll immersiven AR-Brillen-Erfahrung in einem fahrenden Auto auf der CES 2024.
• Vortrag über Augmented Reality auf internationalen Konferenzen (z.B. das AR Ride Concept @ Unite 2024).
• Leitung eines interdisziplinären Softwareteams mit 12 Personen, das Android-Headunit-Integrationen, Navigation- und ADAS-UIs sowie Embedded-Software entwickelt.
• Festlegung der technischen Ausrichtung, Steuerung domänenübergreifender Architektur und Integration sowie Betreuung von Entwicklern in den Bereichen Android, UI/UX und Embedded.
• Überwachung einer kleinen Flotte von Testfahrzeugen für Validierung, Tests und Datenerfassung.

• Anwendung fortgeschrittener Machine-Learning-Techniken durch Entwicklung eines Multi-Strategie-Prompting-Frameworks (Zero-shot, Few-shot, CoT, Instruction Tuning) zur Extraktion strukturierter Daten aus komplexen Finanz- und medizinischen Datensätzen, wodurch die Modellzuverlässigkeit deutlich gesteigert und eine 18%ige Verbesserung des F1-Scores durch rigorose Bewertung mit erweiterten Metriken (ROUGE-L, METEOR, Kosinus-Ähnlichkeit) erreicht wurde.
• Gestaltung skalierbarer Workflows für strukturierte Ausgaben und Aufbau automatisierter Monitoring-Pipelines (spaCy, ClearML) für kontinuierliches Performance-Tracking, zur Simulation realer MLOps-Prinzipien.
• Iterative Verfeinerung der Prompt-Strategien basierend auf sorgfältiger Fehleranalyse, um eine robuste, produktionsreife Performance sicherzustellen.

• 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.

• Bewertet und analysiert ein kamerabasiertes Verkehrslicht- und Verkehrsschild-Erkennungssystem in verschiedenen auf LLM basierenden autonomen Fahrsystemen (LMDrive, BEVDriver)
• Implementiert eine VLM-basierte Einheit zur Generierung von Verkehrshinweisen für ein geschlossenes autonomes Fahrsystem, die den Fahrer bei unvorhergesehenen Vorfällen warnt
• Entwickelt einen eigenständigen, LLM-basierten lokalen Chatbot mit Llama, DeepSeek und Qwen inklusive MLflow-Evaluierungsframework

• Entwicklung einer durchgängigen KI-Pipeline zur Analyse von 2D-Explosionszeichnungen mithilfe von Computer Vision und Deep-Learning-Modellen.
• Integration einer YOLO-basierten Objekterkennung (Bounding Boxes, Nachbearbeitung, Überlappungsbehandlung) für präzise Erkennung von Bauteilen und Beschriftungen.
• Anwendung des Segment Anything Model (SAM) für eine feinkörnige Segmentierung und Trennung einzelner Komponenten.
• Implementierung von OCR- und Feature-Extraction-Modulen sowie Vergleich von Vision-Language-Modellen (VLM) und traditionellen Computer-Vision-Ansätzen hinsichtlich Genauigkeit, Laufzeit und Skalierbarkeit.