Freelance AI / ML Engineer

9/2024 – 12/9999

Umwandlung eines 3-Stunden-AI-Prototyps in die Produktions-Pipeline für die mehrquellige Datenerfassung, die das saisonale Rezeptabgleichssystem von Penny antreibt. Leitung des Produktions-Rollouts der multimodalen hybriden Suche für den Store-Mitarbeiter-Assistenten, wodurch die Dokumentensuchzeiten von Stunden auf unter 5 Minuten reduziert wurden. Aufbau eines Few-Shot-RAG-Service mit LangChain, Qdrant und FastAPI, der personalisierte Coupon-Texte aus Master-Daten-Angeboten generiert und die wöchentliche manuelle Texterstellung ersetzt. Entwicklung eines Multi-Agent-GenAI-Systems, das wöchentliche Produktangebote mit saisonalen Rezepten abgleicht und Erklärungen für jede Übereinstimmung liefert, wodurch Marketingteams stundenlange manuelle Arbeit pro Woche sparen. Einführung von spezifikationsgetriebener Entwicklung in das Unternehmen durch technische Sitzungen, an denen fast tausend interne Entwickler in ganz Europa teilnahmen.

Large Language Models, Kubernetes

5/2024 – 7/2024

Aufbau einer MLOps-Pipeline für Kreditausfallmodelle mit automatisierter Datenbereinigung, MLflow-Experimentverfolgung, Blue-Green-Modellauswahl und Neuschulung, die mit Prefect orchestriert wird. Abstimmung von gewinnbasierten Entscheidungsgrenzen, die einen simulierten Gewinnanstieg von 30 % auf Out-of-Sample-Testdaten im Vergleich zur bestehenden Richtlinie zeigen. Bereitstellung eines FastAPI-Service für Low-Latency-Ausfallvorhersagen mit automatisierter Neuschulung, sobald neue Rückzahlungsdaten eintreffen.

4/2024 – 8/2024

Integration einer Legacy-Hochleistungsdatenbank-Engine in das Apache Spark-Ökosystem für die Unternehmensdatenverarbeitung.

Apache Spark

4/2024 – 5/2024

Reduzierung der Bearbeitungszeit von Kundenfällen um 18 % mit einem Thai-Sprach-Klassifikator, der eingehende Rückmeldungen an das richtige Serviceteam weiterleitet. Abruf ähnlicher beschrifteter Beispiele aus ChromaDB unter Verwendung von OpenAI-Einbettungen als Few-Shot-Kontext, um die Klassifizierungsgenauigkeit ohne Neuschulung der Modelle zu erhöhen. Verpackung des Klassifikators als Dockerisierter FastAPI-Service, sodass das Kundenteam Schulungsbeispiele per CSV-Upload hinzufügen kann, ohne den Service neu bereitzustellen.

Docker

7/2022 – 3/2024

Aufbau eines wiederverwendbaren AWS-MLOps-Starter-Kits mit Terraform-provisionierten SageMaker-Vorlagen und MLflow-Tracking, um die Lieferung von Proof-of-Concepts in Kundenprojekten zu beschleunigen. Bereitstellung des Starter-Kits in verschiedenen Kundenprojekten, darunter ein LLM-basierter PDF-Zusammenfassungsdienst mit LangChain und ein PyTorch-Computer-Vision-Modell zur Erkennung von Fehlern auf Stahlproduktionslinien. Entwicklung einer prädiktiven Wartungspipeline für die Automobilindustrie in PySpark, die Datenextraktion, Feature-Engineering und ein Streamlit-Dashboard abdeckt, um die Wartungskosten zu senken. Fertigstellung eines lange blockierten ETL-Projekts in der Hälfte der geschätzten Zeit durch Implementierung fehlender Domänengleichungen und Überarbeitung des Datenverarbeitungsworkflows.

Large Language Models, Pytorch, ETL

9/2021 – 6/2022

Leitung eines Teams von 4 bis 5 Ingenieuren bei einem Speech-to-Text-Produkt, das Sprecherdiarisierung, Sprechererkennung und Spracherkennung abdeckt. Aufbau einer vollständigen Thai-ASR-Pipeline, die Datenerfassung, Modell-Fine-Tuning und Bereitstellung umfasst. Das Modell erreichte eine Zeichenfehlerrate von 8 % auf In-Domain-Testdaten und übertraf Google Speech Recognition mit 11 %.

Spracherkennung

8/2015 – 7/2021

Aufbau der Python-, MATLAB- und ABAQUS-Toolchain des Instituts für Schädigungsmodellierung und Koordination internationaler Forschungsprojekte innerhalb eines von der EU geförderten Stahlkonsortiums.

Python