19.09.2026 aktualisiert
100 % verfügbar
GenAI / Applied AI Engineer
Friedberg (Hessen), Deutschland
Friedberg (Hessen) +100 km
M.Sc. Scientific Instrumentation; Doktorand Informatik in Abschlussphase (FSU Jena, Abschluss 2026)Über mich
GenAI Engineer mit 7+ Jahren ML-Erfahrung. LLM-, RAG- und Agenten-Systeme (LangGraph, LangChain) auf Azure und Google Cloud in Produktion gebracht, dazu Computer Vision und NLP. Doktorand Informatik, publiziert in PeerJ Computer Science. Remote DACH, vor Ort Rhein-Main.
Skills
AI AgentsRAGKünstliche IntelligenzComputer VisionInformation RetrievalKnowledge ManagementMachine LearningFeature-EngineeringLarge Language ModelsGenerative AI
GenAI / Applied AI Engineer mit 7+ Jahren Erfahrung in Machine Learning, Deep Learning und generativer KI, seit 2023 Schwerpunkt LLM-Systeme. Zuletzt Founding AI Lead bei Nixi AI (EXIST-gefördertes Medizin-KI-Start-up), parallel Doktorand in Informatik an der Friedrich-Schiller-Universität Jena (Abschluss voraussichtlich 2026).
GENERATIVE KI UND LLM
- RAG-Systeme: Chunking, Embeddings, Retrieval, Reranking, Evaluation; Vektordatenbanken Qdrant, FAISS, Azure AI Search, Chroma
- KI-Agenten und mehrstufige Workflows mit LangGraph und LangChain (Tool Use / Function Calling)
- LLM-Fine-Tuning und Domänenanpassung, synthetische Trainingsdaten
- Prompt Engineering, strukturierte Ausgaben (JSON-Schema), LLM-Evaluation
- Multi-LLM-Pipelines zur Informationsextraktion aus Dokumenten
- Automatische Wissensgraph- und Ontologie-Konstruktion aus Text
MACHINE LEARNING UND DEEP LEARNING
- Computer Vision: Bildklassifikation, Objekterkennung, Instanzsegmentierung
- Vision-Language-Modelle (CLIP) und multimodale Informationsextraktion
- NLP: Klassifikation, Extraktion, Anonymisierung deutschsprachiger Texte
- Speech-to-Text (ASR): Fine-Tuning deutscher medizinischer Spracherkennung
- Klassisches ML: Decision Tree, Random Forest, XGBoost, Feature Engineering
- PyTorch, TensorFlow, Keras, scikit-learn, NumPy, pandas
CLOUD UND MLOPS
- Google Cloud (Vertex AI), Microsoft Azure (Azure AI, Azure AI Search), AWS
- Deployment von Inferenzdiensten und APIs, Docker, CI/CD
- Training auf HPC- und GPU-Clustern
MEDIZINISCHE KI (DEUTSCHSPRACHIG)
- Klinische Evidenz-Synthese mit RAG
- Agentische Workflows für klinische Entscheidungsunterstützung und Dokumentation
- Automatisierte ICD-10-GM-Kodierung
- DSGVO-konforme Anonymisierung klinischer Texte
- LLM-generierte Patienten- und Anweisungsschreiben
- Validierungs-Frontends für die fachliche Prüfung durch Ärzte
PROGRAMMIERUNG UND TOOLS
- Python (Hauptsprache), MATLAB
- LangChain, LangGraph
- KI-gestützte Entwicklung mit Claude Code und Cursor (Codegenerierung, Refactoring, Tests)
ARBEITSWEISE
- Verantwortung für den gesamten Weg: Datenerhebung, Annotation, Modellentwicklung, Evaluation, Deployment
- Aufbau und Leitung von Annotationsteams, Betreuung von Masterarbeiten
- Zusammenarbeit mit Ärzten, Gründern und Forschenden
- Publikationen in PeerJ Computer Science und bei SEMANTiCS 2024
RAHMEN
- Remote deutschlandweit, vor Ort im Rhein-Main-Gebiet
- Niederlassungserlaubnis (unbefristete Arbeitserlaubnis)
- Deutsch B1 (telc), B2 in Vorbereitung; Englisch verhandlungssicher; Telugu Muttersprache
Erfahrung
Berufserfahrung5 - 10 Jahre
Freelancer seit2026
Sprachen
DeutschgutEnglischverhandlungssicherHindigutTeluguMuttersprache
Projekthistorie
Heinz-Nixdorf-Stiftungsprofessur für Verteilte Informationssysteme (Vertrag 11/2020 - 12/2024). Branche: Forschung, Anwendungsdomäne Biodiversität.
Aufgaben:
- Deep-Learning-Pipelines für Bildklassifikation, Objekterkennung und Instanzsegmentierung auf einem eigens erstellten Bilddatensatz
- RAG-gestützte Multi-LLM-Pipeline zur Extraktion von Methoden und Ergebnissen aus Hunderten Fachartikeln
- Automatische Konstruktion von Wissensgraphen und Ontologien aus unstrukturiertem Text mit LLMs
- Vision-Language-Modelle (CLIP) zur Informationsextraktion aus Bildern
- Seminar „Enhancing Knowledge Graphs with AI Models“ mitgestaltet (2024), Masterarbeiten und Annotationsteams betreut
- Vorträge auf SEMANTiCS, TDWG und GfÖ, wissenschaftliche Sessions organisiert
- Publikationen in PeerJ Computer Science (2025) und bei SEMANTiCS 2024
Technologien: Python, PyTorch, TensorFlow, LangChain, HuggingFace, Vektordatenbanken, CLIP, HPC- und GPU-Cluster
EXIST-gefördertes Medizin-KI-Start-up (BMWE, Projektträger Jülich). Branche: Gesundheitswesen.
Aufgaben:
- KI-Architektur des Unternehmens aufgebaut: Datenpipelines, Modelltraining, Inferenzdienste und APIs auf Google Cloud (Vertex AI) und Microsoft Azure
- RAG-Pipelines für klinische Evidenz mit Qdrant, FAISS und Azure AI Search, inkl. Reranking und Evaluation
- Agentische, mehrstufige LLM-Workflows (LangGraph, LangChain) mit Tool Use und strukturierten Ausgaben für klinische Entscheidungsunterstützung und Dokumentation
- Fine-Tuning deutscher medizinischer ASR-Modelle, synthetische Trainingsdaten zur Domänenanpassung
- Automatisierte ICD-10-GM-Kodierung, DSGVO-konforme Anonymisierung klinischer Texte, LLM-generierte Patientenschreiben
- Validierungs-Frontends für die fachliche Prüfung; Förderanträge, Hiring, Betreuung von Abschlussarbeiten
Technologien: Python, PyTorch, LangGraph, LangChain, Qdrant, FAISS, Azure AI Search, Vertex AI, Azure AI, Docker, CI/CD, Claude Code, Cursor
Parallel zur Masterarbeit. Branche: Forschung.
Aufgaben:
- ML-Projekt von Datenerhebung über Annotation und Feature Engineering bis Training und Evaluation
- Regressionsmodelle (Decision Tree, Random Forest, XGBoost) zur Vorhersage von 14.721 globalen Blattflächenwerten
- Annotationsprojekte für Bildklassifikation, Objekterkennung und Segmentierung geleitet
- Datensatz publiziert (Biodiversity Data Journal, 2021)
Technologien: Python, scikit-learn, XGBoost, pandas