Senior Data Scientist & Machine Learning Engineer

• Durchführung einer vorläugen Machbarkeitsstudie für eine automatische Fehlererkennung basierend auf komplementären Ansätzen des überwachten Lernens und der Anomalieerkennung.

• Entwicklung einer semi-automatischen Routine für Datenannotation (Python, OpenCV, TKInter).

• Implementierung mehrerer Modellarchitekturen und Trainingssoftware (Python, Tensorflow) für die Aufgaben der semantischen Segmentierung und Anomalieerkennung.

• Training und Evaluierung mehrerer Modelle auf den (annotierten) Daten.

• Implementierung einer C++ Bibliothek für die Modellinferenz in der Zielumgebung.

Eingesetzte Technologien: Python, C++, Tensorflow, Scikit-Learn, OpenCV, Docker, Git, Visual Studio Code, Xcode.

• Projektplanung und Ausführung rund um den gesamten Lebenszyklus einer Modellentwicklung einschließlich Datenannotation, Training, Evaluierung und Integration.

  Konzeptentwicklung eines optischen Prüfsystems gegeben spezische Anforderungen an die Speicherkapazität und Inferenzzeiten.

• Betreuung des Teams für Datenannotation.

• Implementierung von mehreren Modellarchitekturen (126 unterschiedliche Modelle) und von der Trainingssoftware (Python, Tensorflow) für unterschiedliche Bildverarbeitungsaufgaben wie Klassifikation, Objektdetektion, semantische Segmentierung und optische Messung.

• Training und Evaluierung von mehreren Modellen auf den annotierten Daten.

• Zusammenführung mehrerer Architekturen zu einem Modell und Export in Protobuf-Format.

• Reduktion des Speicheraufwands und der Inferenzzeit des finalen Modells entsprechend den Hardware-Vorgaben.

• Definition einer Schnittstelle für Modellaufrufe auf den Bildern, die von der SPS-Software (für Steuerung eines Roboterarms mit einem Kamerakopf) bereitgestellt werden.

• Implementierung einer C++ Bibliothek für die Modellinferenz und Export als DLL (Dynamic Link Library).

Eingesetzte Technologien: Python, C++, Tensorflow, OpenCV, Docker, Git, common annotation software (CVAT, V7 etc.), Microsoft Visual Studio (Windows), Visual Studio Code (Mac), Xcode, CI/CD (automatic script for creating a DLL from source code and trained model), Doxygen, LateX, PowerPoint.

• Implementierung eines neuronalen Netzes zur Klassifikation von Verkehrszeichen.

• Training des Klassifikationsnetzes auf einem annotierten Datensatz.

• Implementierung der bestehenden state-of-the-art Erklärungsalgorithmen.

• Modifikation und Verbesserung bestehender Erklärungstechniken mit dem Ziel einer genaueren Analyse.

• Implementierung von adversariellen Angriffen auf das trainierte Netz durch spezische Bildmanipulationen.

• Erkennung von adversariellen Angriffen basierend auf dem verbesserten Erklärungsalgorithmus.

Eingesetzte Technologien: Python, Tensorflow, Scikit-Learn, OpenCV, Docker, Git, Visual Studio Code, PowerPoint.