Senior AI & Machine Learning Engineer | Generative AI & AI Agents

2/2025 – offen

Entwicklung eines multimodalen, multilingualen KI-Assistenten im Rahmen eines EU-geförderten Innovationsprojekts. In der Rolle als Senior AI Engineer verantwortete ich die Konzeption und Umsetzung zentraler KI-Komponenten (u.a. LLM-Integration, Speech-to-Text, Text-to-Speech) als skalierbare Microservices.
Besonderer Fokus lag auf niedriger Latenz für Echtzeitkommunikation mit Einsatz von WebRTC, sowie der produktiven Bereitstellung mittels MLOps, CI/CD und Cloud-Infrastruktur (IaC).

Cloud (allg.), Container Management, Continuous Delivery, Continuous Integration, DevOps (allg.), Docker, Generative KI, Git, Large Language Models, MLOps, Open Source, Python, Spracherkennung, Streaming

5/2023 – 4/2024

Zuständig für den Aufbau einer Ende-zu-Ende Datenaufbereitungs-, Verarbeitungs- und Trainingsstrecke für die eingehenden Anrufe im Kundenservice. Hierbei wurden Methoden aus den Bereichen der natürlichen Sprachverarbeitung und der generativen künstlichen Intelligenz verwendet, um die zugrundeliegenden Daten in Text und weiterführend in für den Fachbereich analysierbare Ergebnisse zu überführen. Zu diesem Zwecke wurden Machine Learning Modelle (Transformer; LLMs) trainiert zur Vorhersage relevanter Parameter hinsichtlich der Kundenanliegen und -zufriedenheit und in die Verarbeitungsstrecke in der AWS-Cloud implementiert. Mit diesem MLOps-Prozess und den täglich neuen, resultierenden Daten wurden dem Fachbereich und dem Kunden im Allgemeinen wertvolle und zuvor nicht vorliegende Einblicke in das Anrufsverhalten der Kund*innen ermöglicht.

Amazon Web Services (AWS), Cloud Computing, Cloud Spezialist, Continuous Delivery, Continuous Integration, Data Science, Datenanalyse, Datenbankentwicklung, Datenmanagement, Docker, Git, Large Language Models, Machine Learning, Machine Learning Engineer, MLOps, Natural Language Generation, Natural Language Processing, Natural Language Understanding, Python, Transformer

8/2022 – 4/2023

Ziel war es, das Bereichsprodukt weiterzuentwickeln, welches Targetings auf Webseiten unter Berücksichtigung des Kontextes und unabhängig von 3rd Party Cookies anbietet. Zu den Schwerpunkten zählte sowohl die Entwicklung von Datenaufbereitungs-, Verarbeitungs- und Trainingsstrecken, als auch die Bereitstellung von Inferenz-Endpunkten für Machine-Learning Modelle in der Cloud. Zuletzt wurde außerdem eine Web-Applikation entwickelt, welche der Bereich zukünftig für eine vereinfachte Konfiguration von kontextuellen Kundensegmenten verwenden wird, da sie zugrundeliegende Mechanismen des Quellcodes durch interaktive Tools verständlich macht und die Auswirkungen verschiedener Konfigurationen veranschaulicht und informativ darstellt.

Amazon Web Services (AWS), Cloud Computing, Docker, Git, Go (Programmiersprache), Machine Learning, Natural Language Processing, Python, Vektordatenbank