13.11.2025 aktualisiert
verifiziert
Premiumkunde
100 % verfügbarSenior Data Scientist | Machine Learning Engineer | GenAI | LLMs
Mainz, Deutschland
Deutschland +2
M.Sc. Computer Science mit Schwerpunkt Machine LearningSkills
Adobe AnalyticsJavascriptAPIsKünstliche IntelligenzAmazon Web ServicesAmazon S3Test AutomationBigqueryCloud ComputingCode-ReviewDatenbankenContinuous IntegrationDjangoElasticsearchGithubPythonMachine LearningNginxNltkNode.JsPair ProgrammingProduktlebensdauerScrumVisualisierungTensorflowTransformerSQLGoogle CloudData SciencePytorchFlaskLarge Language ModelsGrafanaApache SparkDeep LearningKerasCloudformationFastapiVue.JsKanbanMatplotlibGitlab-CiGit FlowScikit-learnPlotlyApache KafkaGraphqlMachine Learning OperationsGensimKibanaSpacyTerraformDockerJenkins
- 12 Jahre Programmiererfahrung, davon 6 Jahre professionell im Einsatz
- Hands-on Machine Learning Erfahrung: von LLMs & CNNs bis hin zu leichten, effizienten Modellen wie fasttext XGBoost
- DevOps & Fullstack Erfahrung
- Schneller Durchblick in Business-Logik & neue Themen
- Teamplayer mit Initiative – ich habe Spaß an der Arbeit und noch mehr an guter Zusammenarbeit
Schwerpunkte
Machine Learning · NLP · Transformer/Large Language Models · MlOps
Tech-Stack
Sprachen
Python · JavaScript
Entwicklung & Deployment
Docker · GitHub Actions · Terraform · Nginx · Jenkins · GitLab CI/CD
Cloud
GCP (Vertex AI, Compute Engine, BigQuery) · AWS (ECS, CloudFormation, S3)
Datenbanken
Elasticsearch · SQL · BigQuery
Visualisierung
Grafana · Kibana · Adobe Analytics · Plotly · Matplotlib · TensorBoard · AmCharts 4/5
Frameworks & Libraries
ML: PyTorch · Transformers · TensorFlow · Keras · LangChain · RAG · Vektordatenbanken · SageMaker · VertexAI · Scikit-learn · SpaCy · Gensim · NLTK
Daten: pandas · Kafka · Spark
Web & API: Flask · FastAPI · Django · Node.js · axios · GraphQL · Vue.js · Quasar
Methodik
Scrum · Kanban · CI/CD · Git Flow · Code Reviews · Pair Programming · Test Automation · TDD · Product Lifecycle Management
Sprachen
DeutschMutterspracheEnglischverhandlungssicherRussischgutSchwedischGrundkenntnisse
Projekthistorie
Im letzten Projekt habe ich die Filterfunktionalität des bekannten Onlinehändlers Otto auf Basis von Kundenverhalten neu aufgesetzt und verbessert. Durch den Einsatz von Large Language Models und einer Optimierung des bestehenden FastText-Ansatzes konnte ich die Modellgenauigkeit von durchschnittlich 85% auf 92% steigern.
Meine Rolle & Schwerpunkte:
Technologien & Tools:
Python · Transformers · PyTorch · Dagster · GCP (VertexAI, BigQuery) · AWS(ECS, Cloudformation, S3)
Impact:
➡️ Mehr Präzision in den Filterfunktionen → Kund*innen finden schneller, was sie suchen.
➡️ Stabile Infrastruktur → Modelle lassen sich skalierbar, effizient und sicher in Produktion bringen.
Meine Rolle & Schwerpunkte:
- Research & Prototyping: Evaluierung von Ansätzen (FastText vs. Transformer wie RoBERTa XLM, BERT, Mistral, LLaMA 2.1).
- Training & Optimierung: Effizientes Fine-Tuning (LoRA/QLoRA), extreme Multilabel-Classification.
- MLOps & Skalierung: Aufbau einer automatisierten Pipeline mit Dagster in AWS & GCP.
- Ressourceneffizientes (Re-)Training auf EC2-Instanzen
- Automatisiertes Deployment von geprüften Modellen in den Live-Betrieb
Technologien & Tools:
Python · Transformers · PyTorch · Dagster · GCP (VertexAI, BigQuery) · AWS(ECS, Cloudformation, S3)
Impact:
➡️ Mehr Präzision in den Filterfunktionen → Kund*innen finden schneller, was sie suchen.
➡️ Stabile Infrastruktur → Modelle lassen sich skalierbar, effizient und sicher in Produktion bringen.
Entwicklung eines Systems zur automatisierten Erkennung von Rasenkrankheiten mit Convolutional Neural Networks (CNNs). Dabei kam auch semantische Segmentierung zum Einsatz, um Krankheitsbilder präzise zu lokalisieren. Zusätzlich habe ich eine Plattform aufgebaut, die ein schnelles und intuitives Labeling neuer Datensätze ermöglicht – und so die Erweiterung des Trainingsdatensatzes deutlich effizienter macht.
Technologien & Tools:
Python · TensorFlow · Keras · S3 · Docker · Label Studio
Impact:
➡️ Frühzeitige Erkennung von Krankheiten → reduziert Ausfälle und Pflegekosten
➡️ Effizienter Datenaufbau → einfaches Labeling verkürzt die Zeit bis zur nächsten Modelliteration
Technologien & Tools:
Python · TensorFlow · Keras · S3 · Docker · Label Studio
Impact:
➡️ Frühzeitige Erkennung von Krankheiten → reduziert Ausfälle und Pflegekosten
➡️ Effizienter Datenaufbau → einfaches Labeling verkürzt die Zeit bis zur nächsten Modelliteration
Entwicklung einer Lösung zur automatisierten Verarbeitung von Kundendaten und Anfragen aus unterschiedlichen Quellen. Aufbau einer dynamischen Plattform zur Speicherung, Verarbeitung, Visualisierung und manuellen Verifizierung der KI-Ergebnisse. Zusätzlich habe ich eine bestehende Anwendung dockerisiert, um Deployment und Skalierung zu vereinfachen.
Darüber hinaus habe ich die Konzeption und erste Schritte für eine Monitoring- und Reporting-Umgebung erarbeitet, um langfristig Transparenz und Nachvollziehbarkeit zu sichern.
Technologien & Tools:
PostgreSQL · Python · Docker · Elastic Stack (Logstash · Elasticsearch · Kibana)
Impact:
➡️ Schnellere und präzisere Verarbeitung von Kundendaten → weniger manueller Aufwand, höhere Datenqualität
➡️ Konzept für Monitoring & Reporting → anschlussfähig für zukünftige Umsetzung, hilft der Transparenz, Effizienz und Fehlerdiagnose
➡️ Effizientes Deployment → Dockerisierung erhöht Skalierbarkeit und reduziert Betriebskosten
Darüber hinaus habe ich die Konzeption und erste Schritte für eine Monitoring- und Reporting-Umgebung erarbeitet, um langfristig Transparenz und Nachvollziehbarkeit zu sichern.
Technologien & Tools:
PostgreSQL · Python · Docker · Elastic Stack (Logstash · Elasticsearch · Kibana)
Impact:
➡️ Schnellere und präzisere Verarbeitung von Kundendaten → weniger manueller Aufwand, höhere Datenqualität
➡️ Konzept für Monitoring & Reporting → anschlussfähig für zukünftige Umsetzung, hilft der Transparenz, Effizienz und Fehlerdiagnose
➡️ Effizientes Deployment → Dockerisierung erhöht Skalierbarkeit und reduziert Betriebskosten