Consultant Data Science

6/2023 – 7/2023

Analyse und Bewertung von zwei Vorhersagemodellen in der Kundenproduktion. Ziel war die Identifikation von Optimierungspotenzialen für die bestehenden Modelle. Ein Workshop wurde entwickelt, der dem Kunden die Zeitreihenvorhersage erläuterte und ihren Nutzen verdeutlichte. Zusätzlich präsentierten wir bewährte Modelle und planten ein Folgeprojekt mit dem Kunden.

- Eine Analyse des vorliegenden Qlik und Python Codes hinsichtlich Modell Performance und Aufbau wurde durchgeführt.
- Dabei wurden wichtige Hyperparameter der Modelle vorgestellt und das Konzept des Hyperparameter Tunings erläutert.
- Eine mögliche Übersetzung des Qlik Codes in Python QuellProgramm wurde aufgezeigt sowie die Vorteile hinsichtlich Recheneffizienz und Leistung besprochen.
- Es wurden Strategien zum Feature Engineering vorgestellt und externe Datenquellen zusammen mit dem Kunden besprochen und evaluiert.
- Weitere eingesetzte Tools und Technologien: AWS Sagemaker, Notebooks, CodeCommit, Darts, FacebookProphet, Jupyter, LSTM, PowerPoint, Qlik, SKLearn, Tensorflow

Python, Amazon Web Services (AWS)

3/2023 – 5/2023

Einarbeitung in die Zeitreihenanalyse und Predictive Modelling. Dabei wurden der aktuelle Stand der Praxis und Forschung ermittelt und in Form einer Reihe von Workshops abteilungsübergreifend vorgestellt. Für ein tieferes Verständnis wurden unterschiedliche Modelle zur Zeitreihenvorhersage auf IoT- und Umsatzdaten getestet, sowie eine ausführliche explorative Datenanalyse (EDA) vorgenommen.

- Für die Recherche und Einarbeitung in das Thema der Zeitreihenvorhersage wurden aktuelle Publikationen aus Forschung und Wissenschaft sowie Lehrbücher verwendet.

- Informationen wurden zusammengetragen und in Form mehrerer abteilungsübergreifender Workshops vorgestellt.

- Experimentelle Analyse von Facebook Prophet, LSTM und XGBoost Modellen zur Vorhersagengenerierung.

- Untersuchung von Auswirkungen auf die Modellperformance durch Anreicherung mit externen Datenquellen wie z.B. Feiertage, (Schul-)ferien, Wetterdaten

- Erstellen eines Do It Yourself Tutorials in Form eines Jupyter Notebooks.
- Weitere eingesetzte Tools und Technologien: AWS Sagemaker, Notebooks, CodeCommit , Darts, FacebookProphet, Jupyter, PowerPoint, SKLearn, Tensorflow

Python, Amazon Web Services (AWS)

2/2023 – 3/2023

Entwicklung einer umfassenden ML-Ops Pipeline für die Erstellung, Schulung und Bereitstellung von ML-Modellen in AWS Sagemaker. Die Pipeline wurde mithilfe der Sagemaker Python SDK entwickelt und der Fokus lag in der Bereitstellung von selbstgeschriebenen und angepassten Modellen. Der Prozess wurde für die nachhaltige, interne Wissensaufbereitung dokumentiert und in Form eines Workshops vorgestellt.

- Ein Heart Failure Prediction Modell wurde in Sagemaker Studio entwickelt und getestet.
- Für die Verwendung des Modells mit Sagemaker Pipelines wurde ein spezielles Dockerfile erstellt mit vordefiniertem Ordnerverzeichnis.
- Zur Erstellung einer CI/CD Pipeline wurde aus dem AWS Service Catalog ein Sagemaker Project eingerichtet und angepasst.
- Über die AWS Console wurden Sagemaker Endpoints konfiguriert und für das Modelldeployment bereitgestellt.
- Die verwendeten Ressourcen wurden anschaulich als Übersicht visualisiert.
- Das Vorgehen wurde in Form eines internen Workshops vorgestellt. Dafür wurde auch ein eigen erstelltes Jupyter Notebook verwendet zum interaktiven Erstellen der Pipeline.
- Weitere eingesetzte Tools und Technologien: Cloudwatch, CodeBuild, CodeCommit, CodePipeline, ECR, IAM, S3, Sagemaker

Bash Shell, Docker, Python, Cloud (allg.), Amazon Web Services (AWS)

11/2022 – 2/2023

Implementierung von einer Cloud Architektur zum Aggregieren und Weiterverarbeiten von Daten, sowie anschließender Analyse mittels Maschinellem Lernen. Das Deployment der kompletten Infrastruktur erfolgte als 'Infrastructure As Code' mit Terraform. Die Planung der dafür notwendigen, einzelnen Arbeitspakete wurde agil durchgeführt. Bei der Analyse wurden Prinzipien von ML-Ops angewandt und Docker Container mithilfe von CodePipeline gebaut und durch StepFunctions orchestriert.

- Für die Aggregation der Daten wurde ein Python-Skript eingesetzt, das automatisiert auf einer EC2 Instanz lief
-Die gesammelten Daten wurden in S3 gespeichert und die Analyse und Weiterverarbeitung erfolgten über Athena und AWS Sagemaker
- Zum Monitoring wurden Cloudwatch und eine Lambda Funktion verwendet, die bei Störungen Benachrichtigungen per SNS versendeten
- Die Instanz wurde in einer eigenen VPC gehostet, war über AWS Session Manager erreichbar und wurde mittels dafür angelegter IAM Rollen autorisiert
- ML-Ops in AWS zum automatisierten Deployment des entwickelten Modells
- Der Machine Learning Code wurde mit Docker containerisiert
- Weitere eingesetzte Tools und Technologien: Athena, Bash, Cloudwatch, CodePipeline, EC2, ECR, Glue, IAM, Lambda, S3, Sagemaker, SNS, StepFunctions, Terraform, VPC

Docker, Python

1/2019 – 1/2022

Unterstützung bei Forschungsprojekten und Lehrtätigkeiten im Bereich der Physik.

Implementierung einer neuronalen Netzwerkarchitektur in Python mithilfe von Pytorch und Tensorflow zur Lösung einer rigiden Punktwolkenregistrierung. Anschließend wurden geeignete Hyperparameter wie die Learning Rate und die Batch Size empirisch ermittelt. Die zugrunde liegenden Punktwolken wurden von CAD Modellen gesampelt.

Physik, Python, Tensorflow