28.10.2025 aktualisiert
Premiumkunde
100 % verfügbarEntwickler intelligenter Software / Senior Machine Learning Engineer
Großheirath, Deutschland
Weltweit
M.Sc. BioinformatikSkills
PythonJavaMLOPSdata analytics & machine learningNLPAutomatic Speech Recognition (ASR)Time Series AnalysisComputer VisionGame TheoryBioinformatics
Von kleineren Datenalysen über maßgeschneiderte machine-learning Mikroservices bis hin zu Software-Komplettpaketen kann ich für verschiedenste Probleme Lösungen anbieten.
Ich würde mich freuen meine Ideen und meine langjährige Erfahrung in der Entwickung intelligenter Software in Ihr nächstes Projekt einzubringen.
- Maschinelles Lernen
- Natural Language Processing (NLP)
- Automatic Speech Recognition (ASR)
- Text-To-Speech synthesis (TTS)
- Musik-Informationsgewinnung
- Zeitreihen-Vorhersage
- Bildverarbeitung / Rechnersehen (Computer Vision)
- Regression / Klassifikation
- Datenanalyse
- Visualisierung
- Mustererkennung
- Anomalieerkennung
- Analyse von Zusammenhängen / Abhängigkeiten
- Zeitreihen-Analyse
- Audio- / Sprachanalyse
- Bioinformatik
- Analyse biologischer Daten (-Omics, Massenspektrometrie, ...)
- Modellierung biologischer Systeme (chemische Reaktionsnetzwerke, ökologische Multi-Skalen-Modelle, individuenbasierte Modellierung, evolutionäre Spieltheorie)
- Verarbeitung mikroskopischer Aufnahmen (Segmentierung, Objekt-Detektion und -Tracking, Klassifikation, Anomalieerkennung)
- DevOps
- Entwicklung von Microservices
- CI/CD
- Docker
- Kafka
- Programmiersprachen
- Python
- Java
- R
- C / C++
- Go
- Bash
- Matlab
- Mathematica
- LaTex
- Entwicklungsumgebungen
- PyCharm
- Jupyter Notebook / Lab
- IntelliJ
- RStudio
- Matlab
- Eclipse
- Bibliotheken und Frameworks
- PyTorch / PyTorch - Lightning / PyTorch - Forecasting
- Huggingface Transformers
- LangChain
- LangGraph
- TensorFlow / Keras
- Kaldi-ASR
- CoquiTTS
- GLiNER
- FlairNLP
- Flask
- Streamlit
- Deeplearning4j
- ImageJ
- OpenCV
- Scipy
- Numpy
- Pandas
- Frameworks
- Amazon Web Services
- MS-Azure
- Docker
- Kubernetes
- Kafka
- Node.js
- Photon
- Valhalla
- GitHub
- GitLab
- Bitbucket
- Versions-Kontrolle
- GIT
- SVN
- Github
- Gitlab
- Bitbucket
- Projekt-Management
- OpenProject
- Jira
- Confluence
- Datenbanken
- Neo4j
- versch. SQL Datenbanken
- MariaDB
- MongoDB
- ArangoDB
Sprachen
DeutschMutterspracheEnglischverhandlungssicherRussischGrundkenntnisse
Projekthistorie
Resultate:
Entwicklung eines Programms zur automatisierten Extraktion von Informationen aus Text-Dokumenten (z.B. Websites, PDF-Dokumente, ...), Aggregation der Informationen in einer Graph-Datenbank (Knowledge-Graph) und Abfrage der Informationen mittels eines generativen Sprachmodells (Graph-RAG). Das Programm kann eigenständig durch Abfrage der Wissensdatenbank entscheiden welche Informationen
aus den Dokumenten unbekannt sind und diese der Wissensdatenbank hinzufügen. Dabei können alle Informationen gesammelt werden oder der Nutzer kann die Themenbereiche einschränken.
Methoden:
- Extraktion: Named-Entity-Recognition und Extraktion von Relationen zwischen den Entitäten aus den Dokumenten durch wahlweise ein generatives Sprachmodell oder (effizientere) NER-Modelle (wenn die Themenbereiche vorgegeben sind).
- Knowledge-Graph-Erstellung: Gesammelte Informationen aus den Dokumenten werden mit der aktuellen Wissensdatenbank verglichen und, wenn noch nicht bekannt, der Datenbank hinzugefügt (entweder als neue Knoten / Kanten oder als Zusatzinformation zu bestehenden Knoten / Kanten). Ist die Information bereits aus anderen Dokumenten bekannt erhöht dies die Zuverlässigkeit der Information.
- Graph-RAG: Abfrage von Informationen aus der Datenbank ist durch natürliche Sprache mittels eines generativen Sprachmodells möglich, welches die natürliche Sprache in eine Datenbank-Abfrage überführen kann und aus den gesammelten Informationen eine Antwort generiert.
Resultate:
Entwicklung eines Programms zur automatisierten Erstellung und Optimierung von Werbebildern. Das Programm erhält Informationen über das zu bewerbende Produkt und den Verkäufer in natürlicher Sprache und generiert dann selbständig Werbetexte und auf den Inhalt zugeschnittene Bilder, welche auch die selbe “call-to-action” als Text enthalten. Das Programm ist in der Lage erfolgreiche Werbekampagnen über verschiedene Indikatoren zu selektieren und daraus neue Kampagnen zu erstellen (künstliche Evolution zur automatisierten und vorurteilsfreien Optimierung einer Population von Werbekampagnen).
Methoden:
- Text-Generierung: Large-Language-Model (LLM) um die Nutzereingabe auszuwerten und die Werbetexte sowie detaillierte Bildbeschreibungen für die Werbebilder zu erstellen.
- Bild-Generierung: Text-To-Image Modell um Werbebilder aus den LLMBeschreibungen zu erstellen.
- Validierung & Optimierung: Methoden, um den Erfolg der Werbekampagnen anhand verschiedener Indikatoren abzuschätzen und erfolgreiche Werbekampagnen zu replizieren.
Resultate: Entwicklung eines Llama-3 Chat-Bots, welcher verschiedene Werkzeuge (Kunden-Datenbanken, Web-Suche, Chat, ...) benutzen kann um Nutzerfragen zu beantworten. Der Bot kann komplett auf kundeneigenen Servern gehostet werden, was auch die Verarbeitung sensibler Daten ermöglicht.
Methoden:
Methoden:
- Daten-Pipeline: Pytorch-Lightning Modul um Text-Dokumente mittels eines (kleinen) Sprachmodells in einen Vektorraum zu überführen (Jina-V2 Text-Embeddings) und zusammen mit beliebigen (auch verschachtelten) Metadaten in einer Vektordatenbank zu speichern
- Chat-Bot: LangGraph-Agent mit Llama-3 LLM um Nutzerfragen zu beantworten. Der Agent hat verschiedene Werkzeuge zur Verfügung um Informationen über die Frage aus den verknüpften Datenbanken und dem Internet zu sammeln oder Rückfragen an den Nutzer zu stellen, wenn die Frage unklar ist. Anhand der gesammelten Informationen erstellt der Agent dann eine Antwort (Retrieval-Augmented Generation, RAG)