AI / Computer Vision Expert

1/2022 – 3/2026

Leitung der Entwicklung einer industriellen End-to-End-Rekonstruktions-Pipeline unter Integration von SOTA 3DGS und SLAM zur Erstellung hochpräziser digitaler Zwillinge; Steigerung des operativen Durchsatzes für automatisierte Inspektionen um 10%. Optimierung von 3D Gaussian Splatting (3DGS) für dynamische Industrieumgebungen mit Echtzeit-Rendering (30+ FPS) und einer Verbesserung von PSNR/SSIM um 15% gegenüber NeRF-Baselines; Publikation der Forschungsergebnisse in ICRA 2025 und IEEE RA-L. Entwicklung einer robusten Multi-View RGB-D Fusion Engine unter Nutzung von Optical Flow und semantischer Segmentierung zur Isolierung statischer Geometrien; Implementierung eines benutzerdefinierten Motion-Masking-Moduls zur Entfernung dynamischer Objekte für eine präzise Gaussian-Verdichtung in komplexen Innenräumen.

Projekt 2: Zero-Shot-Segmentierungssystem (SAM, DINO)
 Entwicklung einer automatisierten 3D-Segmentierungs-Pipeline auf Basis von
SAM und GroundingDINO zur annotationsfreien Analyse von
Innenraumszenen; Reduktion der Labeling-Kosten um 50 % (Ergebnisse
akzeptiert für ICASSP 2026).
 Implementierung einer tiefenbewussten EfficientViT-SAM-Variante, welche
die Segmentierungsgenauigkeit (mIoU) für kleine Objekte um 15 % steigert,
bei gleichzeitig 50 % geringerem Speicherbedarf im Vergleich zur Standard
SAM-ViT-H Baseline.
 Design einer 3D-Rückprojektions-Engine mit Multi-View-Konsistenzfilterung
zur Überführung von 2D-Semantikmasken in konsistente 3D-Voxel-Volumina;
fachliche Betreuung von zwei Masteranden sowie Integration der Pipeline in ein produktionsreifes Robotik-Wahrnehmungssystem.

Projekt 3: Enterprise LLM Fine-Tuning & Deployment
 Leitung der Entwicklung eines domänenspezifischen LLM-Assistenten zur
Automatisierung der technischen Dokumentenrecherche, wodurch die
manuelle Suchzeit um 60 % reduziert wurde; Implementierung eines RAGbasierten
Interfaces zur Echtzeit-Interaktion mit komplexen Maschinenhandbüchern.
Feinabstimmung (Fine-Tuning) von Qwen-72B mittels QLoRA und Unsloth, mit einer Steigerung der domänenspezifischen Genauigkeit um 25 % (validiert via RAGas/G-Eval); Optimierung des Speicherbedarfs für den datenschutzkonformen On-Premise-Betrieb.

Pytorch, Python, Forschung & Entwicklung

8/2020 – 11/2021

Entwicklung und Implementierung der webbasierten serverlosen App mit AWS (Amazon Web Service) für die Altersvorsorge. Implementierung einer Funktionalität ‚Magic Letter‘ zur Texterkennung mit Hilfe von Machine-Learning-Methods. Mitentwicklung einer weiteren serverlosen App als Administration Tool für interne Sachbearbeiter.

Machine Learning, Python, JavaScript

4/2019 – 2/2020

Entwicklung von Deep-Learning-Modellen (z. B. Faster R-CNN, YOLO, SSD) zur Erkennung von Nematodenzysten. Anpassung und Optimierung von Netzwerkarchitekturen sowie Einsatz von Transfer Learning und Data Augmentation. Analyse von Ergebnissen zur Evaluierung von Genauigkeit und Geschwindigkeit verschiedener Modelle (VGG, ResNet).