Senior AI Engineer & Data Scientist | LLM-Agenten, RAG, ML in Produktion

AI Engineer und Data Scientist, 10+ Jahre produktives ML. Ich baue LLM-Agenten (LangGraph), RAG und Evals. Dazu klassisches ML: Forecasting, Optimierung, A/B-Testing. Python, SQL. Eigener ML-Bidder: +5% Umsatz. Pricing-Engine: 3% Margenhebel.

• Data Analytics
• Data Science6 J.
• Generative KI
• Künstliche Intelligenz (AI)
• Large Language Models
• Machine Learning1 J.
• Projektleitung / Teamleitung (IT)3 J.
• Prompt Engineering
• Python1 J.
• SQL3 J.

Ich entwickle AI-Systeme, die in Produktion laufen und nicht im Prototyp stecken bleiben. Von der Identifikation des Use Case über Architektur und Umsetzung bis zur Übergabe in den Betrieb. Ich schreibe den Code selbst.

Aktueller Schwerpunkt: LLM- und Agenten-Systeme

Als Mitgründer, CPTO und alleiniger Entwickler einer AI-Plattform für Visa- und Einwanderungsprozesse habe ich gebaut:

- Fünf Tool-nutzende Agenten auf Python LangGraph, die rund 70% der Fallkommunikation vorbereiten und triagieren. Menschliche Freigabe vor jedem Kundenkontakt. Fallvorbereitung von Wochen auf Tage verkürzt.
- Eine RAG-Pipeline end to end: Ingestion, Chunking-Strategie, Embeddings in pgvector, semantische Suche und Re-Ranking. Der Zugriff ist auf die Dokumente des jeweiligen Falls beschränkt.
- Automatisierte Dokumentenprüfung gegen fallspezifische Anforderungen. Das System erkennt abgelaufene Pässe, fehlende Übersetzungen, Finanznachweise unter Schwellenwert und unschlüssige Formulare vor Fristablauf.
- Ein Eval-Harness aus Offline-Scoring und LLM-as-Judge, das Korrekturen aus dem Betrieb in Regressionstests überführt. Modellqualität wird gemessen, bevor eine Änderung ausgeliefert wird, nicht danach entdeckt.
- Die Produktionsumgebung: Postgres-Trigger, FastAPI-Service, Tracing für Latenz, Token und Kosten. Tool-Aufrufe laufen über abgeschottete interne APIs, die einen Agenten im eigenen Fall halten und Prompt Injection eindämmen.
- Eine polyglotte Architektur: TypeScript/Next.js-Anwendung plus dedizierter Python-Agentendienst. Modellaufrufe liegen hinter einer internen Schnittstelle über Anthropic, OpenAI und Voyage, sodass pro Aufgabe nach Kosten und Qualität gewählt werden kann.

Data Science und klassisches ML

- Prognose: Absatzprognose über rund 1.000 Filialen eines Konsumgüterhändlers, Conversion-Value-Prognose im Marketing, Auslastungsmodelle im Transportbereich
Optimierung: Pricing-Engines und Bidding-Algorithmen aus ML plus mathematischer Optimierung, Logistiknetzdesign, Simulationsmodelle
- Experimente: Design von A/B-Test-Frameworks inklusive Signifikanzmessung, um inkrementellen Effekt sauber von Rauschen zu trennen
- Modellentwicklung end to end: explorative Datenanalyse, Feature Engineering, Modellauswahl und Bewertung, Deployment und Monitoring
- Computer Vision: Anwendungen zur automatisierten Überwachung im laufenden Betrieb

Ergebnisse

- Reiseplattform: eigener ML-Bidder für Paid Search, der den nativen Google-Bidder rund zwölf Monate lang übertraf. +5% Umsatz bei konstanten Kosten.
- Online-Modehändler: Pricing-Engine aus ML und mathematischer Optimierung, 3% unternehmensweiter Margenhebel. Verantwortung für Anforderungen über Pricing, Einkauf und Finance hinweg.
- Job-Plattform: Leitung des Marketing-Data-Science-Teams. ML-Systeme für Budgetallokation, automatisiertes CPC-Bidding, Conversion-Value-Prognose und Audience Modelling.
- Internationale Strategieberatung: Statistik, Optimierung und Simulationsmodelle für Margenverbesserung und Logistiknetzdesign bei multinationalen Kunden, direkt vor Ort in den Projektteams.

Technologien

Sprachen: Python, SQL, TypeScript, Java
LLM und Agenten: LangChain/LangGraph, FastAPI, Anthropic Claude, OpenAI, Voyage AI, Prompt Engineering, RAG (Chunking, Embeddings, Re-Ranking), Vector Search, Evals und LLM-as-Judge, Human-in-the-Loop, MCP-Server, Claude Code

Data Science und ML: scikit-learn, Forecasting, Feature Engineering, Modellbewertung, A/B-Testing und Signifikanzmessung, mathematische Optimierung, Simulation, AWS SageMaker

Daten und Cloud: Postgres, pgvector, Supabase, Next.js, Fly.io, Vercel, LangSmith


Arbeitsweise

- Schnelle Prototypen statt langer Spezifikationen.
- Ich übernehme gerne End-to-End-Verantwortung und liefere mit wenig Ressourcen viel
- Beratungswurzeln aus einer internationalen Strategieberatung


Ausbildung

M.Sc. Wirtschaftsinformatik. B.Sc. Cognitive Science mit Schwerpunkt Informatik, Mathematik, Neuronale Netze, Machine Learning und Computerlinguistik.

LLM- und Agenten-Systeme, LangChain/LangGraph, Multi-Agenten-Orchestrierung (2 Jahre)
RAG, Embeddings, Chunking, Re-Ranking, Vector Search, pgvector (2 Jahre)
Prompt Engineering, Evals, LLM-as-Judge, Human-in-the-Loop (2 Jahre)
Coding-Agenten: Claude Code, MCP-Server, agentische Workflows (1 Jahr)
Anthropic Claude API, OpenAI API, Voyage AI (2 Jahre)
Python (10 Jahre)
SQL (15 Jahre)
Machine Learning Methoden, scikit-learn, Feature Engineering, Modellbewertung (12 Jahre)
A/B-Testing und statistische Signifikanzmessung (10 Jahre)
Mathematische Optimierung und Simulation (7 Jahre)
Forecasting und Prognosemodelle (8 Jahre)
FastAPI, REST-API-Design (2 Jahre)
TypeScript, Next.js, React (2 Jahre)
Postgres, Supabase (3 Jahre)
AWS, SageMaker, Fly.io, Vercel (4 Jahre)
Excel (15 Jahre)
Java, ANSI C, PHP (1 Jahr)