MLOps Engineer

12/2025 – 2/2026

Eine produktionsreife CI/CD-Pipeline (GitHub Actions) mit 10/10 bestandenen Tests und sicherem Geheimnismanagement über AWS Secrets Manager geliefert – keine manuelle Intervention bei der Veröffentlichung. Dienstkontinuität mit einer fehlertoleranten EKS-Bereitstellung (2 Replikate + Load Balancer) sichergestellt, Beseitigung eines einzelnen Fehlerpunkts. Vorhersageleistung auf 82,77% Genauigkeit durch systematisches GridSearchCV-Tuning auf Random Forest optimiert – zuverlässiger, optimierter Klassifikator bereit für die Produktion.

Random Forest

9/2025 – 11/2025

Eine vollständig reproduzierbare ML-Umgebung von Grund auf mit Terraform (RDS, ECR, EKS) aufgebaut – konsistente Bereitstellungen über Umgebungen hinweg ohne manuelle Konfiguration. Beschleunigte Modellauswahl durch systematisches Benchmarking von 5 Algorithmen über MLflow Tracking – beste Leistung: R2 = 0.90, eine 10% Fehlerreduktion im Vergleich zum Baseline. Verbesserte Vorhersagerobustheit mit einer Scikit-Learn-Pipeline mit automatischer Ausreißerentfernung (IQR), direkte Reduzierung der Auswirkungen von Rauschen auf Schätzungen.

Scikit-learn

5/2025 – 8/2025

200.000 unstrukturierte Bewertungen durch eine automatisierte ETL-Pipeline in RDS PostgreSQL nutzbar gemacht – Daten sofort für die Geschäftsanalyse verfügbar. Ein Sentiment-Klassifikator (TF-IDF + Logistische Regression) mit einer Genauigkeit von 91,86% geliefert, der eine zuverlässige großtechnische automatische Kategorisierung ermöglicht – nachvollziehbare Experimente über MLflow. Echtzeitvorhersagen über einen FastAPI-Endpunkt (/predict, /explain) bereitgestellt, Integration von Erklärbarkeit für das Vertrauen der Endbenutzer. Geschäftsleistung mit automatischer Drift-Erkennung (Evidently) aufrechterhalten, die automatisches Retraining ohne menschliches Eingreifen auslöst – Modell bleibt auf dem neuesten Stand, während sich die Daten weiterentwickeln.

Natural Language Processing, Postgresql, ETL