29.09.2026 aktualisiert
verifiziert
Premiumkunde
100 % verfügbarSenior ML Engineer | AI Engineer | Data Scientist | Problem Solver
Eichenau, Deutschland
Deutschland +2
M.Sc. Statistikinfo: Deutschland, Österreich, Schweiz
Über mich
Als erfahrener ML-Engineer bringe ich Ihre ML-Projekte End-to-End in Produktion. Ich entwickle effiziente, skalierbare KI-Lösungen, treibe Innovationen voran und setze Technologie gezielt ein, um messbaren Geschäftswert zu schaffen.
Skills
Künstliche IntelligenzKreative ProblemlösungPythonMachine LearningAzure Machine LearningData SciencePyTorchLarge Language ModelsDeep LearningFastAPIPySparkMachine Learning OperationsDatabricks
Driven by Business - Powered by Tech!
Business-Ziele und Ideen stehen an erster Stelle – Technologie macht sie greifbar und umsetzbar.
Als erfahrener ML-Engineer bringe ich ihre ML Projekte End-to-End in Produktion.
Angefangen bei der Datenanbindung, der effektiven Transformation mit Python und Pyspark, Modelloptimierung mit Scikit-Learn, PyTorch und Pyro, dem Deployment via IaC, Docker und Kubernetes, und dem Monitoring der Ergebnisse via MLOps-Tools wie z.B. Databricks-MLFlow.
Darüber hinaus konnte ich bereits kundengetriebene Erfahrung in der Leitung von Data-Science-Teams und dem Wissensaufbau zum Thema ML und AI sammeln.
Experten Skills (8+ Jahre Berufserfahrung):
- Machine Learning mit Python und PySpark (8 + Jahre)
- ML-Ops und Data-Pipelines in Azure (6 + Jahre)
- GenAI and Agentic AI mit Python (4 + Jahre)
- Agentic Software Development (1+ Jahre)
- Deep Learning, Computer Vision mit Python (8 + Jahre)
- Management von Data-Science-Teams (4+ Jahre)
- Knowledge Sharing (Coding Workshops, Courses) (7 + Jahre)
Unterstützende Skills:
- - Unit- und E2E-testing (6 + Jahre)
- - Docker und Kubernetes (6 + Jahre)
Erfahrung
Berufserfahrung5 - 10 Jahre
Freelancer seit2023
Sprachen
DeutschMutterspracheEnglischverhandlungssicher
Projekthistorie
Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft. Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden. Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD
This initiative represents a cutting-edge data science project aimed at crafting a scalable, robust, and highly accurate demand estimation model for better resource and delivery planning. Harnessing the full potential of Azure Cloud's advanced capabilities, the project employs state-of-the-art machine learning algorithms, Sentiment Analysis via LLMs, Model-Explanations via Dash and GenAI-Agents, large-scale data processing pipelines and cloud-based infrastructure to forecast demand across all business units. By optimizing production and logistics, this model drives efficiency and elevate decision-making.
- Creation of an end-to-end workflow tailored to accurately predict demand patterns and behaviors for all business units
- Two-Pronged Approach for Intermittent Demand Forecasting
▪ Binary Prediction: Identifying the occurrence of the next demand instance.
▪ Regression: Estimating the magnitude of the demand.
- Top-Down Forecast pronged together with Bottom-Up-Forecast to increase performance
- Implementation ensemble techniques.
- Use of Azure Synapse for streamlined scalability.
- Leveraging Large Language Models (LLMs) and Azure OpenAI to implement sentiment analysis for customer reports, enhancing qualitative insights.
- Implementation of a GenAI-Agent-System to use data and model logs to explain model outcome
- Deployment of the GenAI-Agent-System as plotly-Dash-App via Docker and Kubernetes
- Deployment of MLFlow-Tracking-Server via Docker and Kubernetes
This initiative represents a state-of-the-art data science project focused on building a scalable, probabilistic, and highly reliable cashflow forecasting system to empower strategic financial planning. Leveraging the advanced capabilities of Azure Cloud, the project integrates Bayesian modeling with Pyro, cloud-native data pipelines, and automated MLOps workflows to generate accurate, uncertainty-aware cashflow projections across all business domains. By combining probabilistic programming, large-scale data processing, and end-to-end Azure infrastructure, the solution delivers transparent, quantifiable forecasts that enable finance teams to anticipate liquidity needs and optimize capital allocation.
Scope of Work:
- Creation of an end-to-end workflow tailored to accurately predict cashflow patterns via Pipelines and APIs with FastAPI
- Two-Pronged Approach for Receivables and Payables with Pyro
- Cashflow-Prediction as combination of Two-Pronged Approach for Receivables and Payables with Pyro
- Implementation ensemble techniques to bolster prediction precision.
- Evaluate Feature Importance with Shapley Values
- Explain Feature Importance with an Agentic AI-Explainer
- Use of Azure Synapse for streamlined scalability and accessibility.
- Deployment of MLFlow-Tracking-Server via Docker and Kubernetes
Portfolio
exali Berufshaftpflicht-Siegel
Das original exali Berufshaftpflicht-Siegel bestätigt dem Auftraggeber, dass die betreffende Person oder Firma eine aktuell gültige branchenspezifische Berufs- bzw. Betriebshaftpflichtversicherung abgeschlossen hat.
Versichert bis: 01.01.2027