AI Engineer & RAG-Architektin

3/2025 – 9/2025

Entwicklung und Validierung benutzerdefinierter KI-Modellarchitekturen (RNN-T, CTC) für eine Produktionsvorhersageaufgabe, Erstellung einer 40-Bin-Alignment-Feature-Pipeline aus operativen Sensordaten und Bewertung von 8+ Architekturen über 200+ Hyperparameter-Konfigurationen mit Optuna, um die Vorhersagegenauigkeit zu maximieren. Bereitstellung des validierten Modells in einer Live-Produktionsumgebung mit ONNX, Docker und GitHub Actions CI/CD, Implementierung automatisierter Regressionsüberwachung unter 3 realen Verteilungsbedingungen. Etablierung einer Hochleistungs-Basislinie durch Feinabstimmung des Whisper-Modells mit LoRA, Benchmarking gegen benutzerdefinierte, leichte Architekturen und Optimierung benutzerdefinierter Dekodierungsalgorithmen, um erhebliche Verbesserungen der Inferenzgeschwindigkeit zu erreichen. Anwendung von Engineering-Best-Practices während des gesamten Lieferzyklus: sauberer Code, Git-Versionskontrolle, Unit- und Regressionstests, Docker-Containerisierung und Code-Reviews mit Senior-ML-Ingenieuren, um Produktionsreife Zuverlässigkeit auf jeder Stufe zu gewährleisten.

Python, Pytorch, Scikit-learn, Docker, Git

9/2024 – 1/2025

Aufbau und Wartung von Python-Datenpipelines zur Verarbeitung großflächiger industrieller Sensordatensätze, Anwendung statistischer Ausreißererkennungsmethoden und Clustering-Algorithmen zur Strukturierung und Validierung unstrukturierter operativer Daten für den Downstream-Konsum durch KI-Modelle. Behebung von 3 kritischen Produktionspipeline-Ausfällen durch eigenständige Diagnose der Ursachen und Wiederherstellung der Datenintegrität, was die selbstständige Problemlösungsfähigkeit in agilen KI-Projektteams demonstriert.

Python, Pandas, SQL

11/2023 – 4/2024

Aufbau und Validierung von ML-Modellen (PyTorch Transformer, scikit-learn) für die Prognose operativer Unternehmensdaten, Erstellung von 15+ Features aus 5+ heterogenen Datenquellen über 10 Jahre, einschließlich Lückenbehandlung, Ausreißerbehandlung und trendbasierter Feature-Generierung aus unstrukturierten Sensordaten. Beschleunigung der Modellbewertungspipeline um 35% durch systematische Experimente über 200+ Konfigurationen auf einem GPU-Cluster und Bereitstellung produktionsfertiger ML-Tools, was den messbaren Einfluss der Implementierung von KI-Lösungen demonstriert.

Python, Transformer, Scikit-learn, Pandas, SQL, Git