09.08.2026 aktualisiert
100 % verf眉gbar
Senior Machine Learning Engineer | Data Science, Predictive Analytics, NLP, ASR, Computer Vision
Boxberg, Deutschland
Deutschland
脺ber mich
Au脽erhalb der Arbeit finde ich meinen Ausgleich am Klavier oder auf dem Volleyballplatz.
Skills
MLOpsK眉nstliche IntelligenzData AnalysisComputer VisionBig DataCloud ComputingLinuxPythonMachine LearningNatural Language ProcessingRust (Programming Language)PyTorchMachine Learning Operations
Senior Softwareentwickler mit 14 Jahren Erfahrung, davon rund sechs Jahre mit Schwerpunkt Python.
Teamf眉hrung und Architekturverantwortung in der eigenen GmbH seit 2022.
Machine Learning. Fokus auf Next-Token-Prediction (NTP), automatische Spracherkennung (ASR) und Computer Vision. Tiefe Expertise in Transformer-Architekturen und self-supervised Pre-Training. Erfahrung im Training gro脽er Modelle auf Multi-GPU-Systemen: verteiltes Training, Durchsatz- und Speicheroptimierung.
Systems & Infrastruktur. Entwicklung hochverf眉gbarer Systeme sowie der zugeh枚rigen Netzwerk- und Storage-Infrastruktur; HA-Architekturen, HAProxy, nginx, netzwerkbasierter Storage, nftables-Firewalls und Policy-Based Routing. Reproduzierbare Deployments mit Nix/NixOS und MicroVMs. Performancekritische Komponenten in Rust; Autor von Gradient, einem CI-System f眉r NixOS.
Embedded. Entwicklung f眉r Mikrocontroller (ESP32, CH32-Serie, Arduino), inzwischen 眉berwiegend in Embedded Rust, zuvor C++. Unter anderem Erfahrung mit Sensorfusion und Echtzeit-Regelkreisen.
Damit die gesamte Kette aus einer Hand: Modellentwicklung und verteiltes Training, die Infrastruktur f眉r den zuverl盲ssigen und reproduzierbaren Betrieb, bis hin zur Ausf眉hrung auf ressourcenbeschr盲nkter Hardware.
Urspr眉nglich aus der Java- und C#-Entwicklung kommend, sp盲ter C++; heute klarer Fokus auf Python und Rust.
Kenntnisse
Machine Learning / Data Jax & PyTorch (6 J., Experte) 路 Transformer-Architekturen (Experte) 路 Self-Supervised Learning (Experte) 路 ASR / Speech Processing (Experte) 路 Verteiltes Multi-GPU-Training (Experte) 路 Zeitreihenanalyse 路 DDP 路 SLURM 路 NumPy 路 pandas 路 Parquet 路 pytest 路 SQL 路 SPARQL
Programmiersprachen Python (6 J., Experte) 路 Rust (Experte) 路 Nix (Experte) 路 Erfahrung in C++, Java, C# / .NET, LEAN
Systems & Infrastruktur Linux (fundiert) 路 Nix / NixOS (Experte) 路 MicroVMs 路 Docker 路 HAProxy 路 Nginx 路 nftables 路 Policy-Based Routing 路 Border Gateway Protocol (BGP) 路 Hochverf眉gbarkeit 路 Netzwerkbasierter Storage 路 Grafana 路 Prometheus 路 Loki 路 Git 路 CI/CD 路 PostgreSQL 路 GitHub / Gitlab
Embedded Embedded Rust 路 no_std 路 ESP32 路 CH32-Serie 路 STM32 路 Arduino 路 Mikrocontroller-Firmware 路 I2C/SPI/UART 路 Sensorfusion 路 Echtzeit-Regelkreise
Branchen Language Models 路 Speech/Audio 路 Computer Vision 路 Risk- und Fraud-Modelle 路 Forschung
Erfahrung
Berufserfahrungmehr als 10 Jahre
Freelancer seit2022
Sprachen
DeutschMutterspracheEnglischverhandlungssicherPortugiesischgut
Projekthistorie
- Konzeption und Entwicklung eines Nix-basierten CI-Systems in Rust, produktiv im Einsatz
- 脺ber 200 aktive Nutzer, 200+ GitHub-Stars; 脰kosystem mit MicroVM-Hypervisor
- Telemetrie-Anbindung an Grafana 眉ber OTLP (OpenTelemetry)
- Quellcode: github.com/wavelens/gradient
- Teamleitung der Mitarbeitenden, fachliche F眉hrung und Projektsteuerung
- Aufbau und Betrieb der gesamten Server-, Netzwerk- und Storage-Infrastruktur: NFS zwischen Storage- und Compute-Servern 眉ber 10G-Interconnect, BGP-Routing, nftables-Firewalls, Policy-Based Routing
- MicroVM-Deployments auf mehreren NixOS-Servern, Hochverf眉gbarkeit mit HAProxy und nginx
- Monitoring der gesamten Infrastruktur mit Grafana und Prometheus
- ML-Kundenprojekte: Zeitreihenanalyse f眉r Risk- und Fraud-Modelle
- Computer-Vision-Kundenprojekt: KI-gest眉tzte Entfernungsmessung und Erzeugung von Punktwolken
- weitere Kundenprojekte, u. a. Buchungsplattform (vergleichbar mit Airbnb) mit Payment-An颅 bindung und Integration diverser REST-Schnittstellen, testgetrieben entwickelt
- Eigenimplementierung von HuBERT- und BestRQ-Pre-Training sowie Voice-Conversi颅 on-Pipelines in PyTorch
- Entwicklung eines eigenen Pre-Training-Ansatzes jenseits von HuBERT und BestRQ: 5- bis 8-fach schnelleres Pre-Training
- Verteiltes Training auf 4x NVIDIA H100 (HPC der TU Dresden, SLURM) mit Durchsatz- und Speicheroptimierung
- WER 5,91 % (test-clean) und 15,37 % (test-other) auf LibriSpeech; Stand der Technik zum Zeitpunkt: 5,4 % und 13,2 %
- Zusammenstellung eines Sprachdatensatzes von rund 100.000 Stunden; Aufbau ska颅lierbarer Datenpipelines f眉r die effiziente Verarbeitung in dieser Gr枚脽enordnung, Speicherung in Parquet
- Reproduzierbare Evaluationspipeline auf LibriSpeech (960 Stunden, ca. 281k Samples) mit Nix