26.10.2026 aktualisiert
Premiumkunde
100 % verfügbarLLM Engineer / Data Scientist
Wien, Österreich
Weltweit
PhD in Computer Science (Dr.)Über mich
Dr Wasif Masood, founder of Empirisch Tech, is an AI engineer with a PhD from Klagenfurt and 19+ years in computer science, 10+ in ML. He specializes in LLMs, RAG, multi-agent systems and computer vision. He built T-Mobile Austria's first data science team, cutting churn by 17%.
Skills
Künstliche IntelligenzPythonMachine LearningNatural Language ProcessingAzure Machine LearningTransformerData ScienceLarge Language ModelsPrompt EngineeringDeep LearningMachine Learning OperationsArtificial Intelligence Markup Language (AIML)Daten-Pipeline
LLM Pretraining & Fine-Tuning
Umfangreiche Erfahrung im Pretraining und Fine-Tuning von Large Language Models (LLMs), einschliesslich Methoden wie LoRA/PEFT, QLoRA, DPO, ORPO sowie Retrieval-Augmented Generation (RAG) und Multi-Agent-Systemen.
Machine Learning & Deep Learning
Tiefgreifende Kenntnisse in Machine Learning und Deep Learning, inklusive Transformer-Architekturen, Bayesian Optimization, Convolutional Neural Networks, Object Detection und wissenschaftlichem ML / Surrogate Modeling mit Frameworks wie PyTorch und TensorFlow.
Cloud & MLOps (AWS, Azure, GCP)
Fundierte Kenntnisse in Cloud-Plattformen wie AWS, Azure und GCP, einschliesslich MLOps-Tooling mit CI/CD, Model Pipelining, Deployment und Scheduling sowie Diensten wie AWS Lambda, Redshift, Azure Data Factory und GCP Machine Learning.
Computer Vision & Synthetic Data
Erfahrung im Aufbau von End-to-End-Synthetic-Data-Pipelines in CARLA und Unreal Engine 5.5, Training und Benchmarking von Objektdetektoren (YOLOX, CSPDarknet, MobileNetV3) sowie Sim-to-Real-Transfer mit starken Ergebnissen.
Python & SQL Programmierung
Starke Programmierkenntnisse in Python und SQL, einschliesslich Frameworks wie Django, FastAPI, Ray sowie Datenbankloesungen wie PostgreSQL und ChromaDB.
NLP & Prompt Engineering
Kenntnisse in Natural Language Processing, Prompt Engineering, RAG-Architekturen, LangChain, Hugging Face Transformers sowie Evaluierungsmetriken wie ROUGE, SuperGLUE und HELM.
Edge AI & Model Compression
Kenntnisse in Edge-AI-Deployment, ONNX-Konvertierung, DeepSpeed, PEFT sowie Modellkompression und Datenaugmentation fuer effiziente Inferenz auf ressourcenbeschraenkten Systemen.
Data Engineering & Feature Stores
Erfahrung in der Entwicklung von Feature Stores, Automatisierung von ML-Pipelines, ETL-Prozessen sowie dem Einsatz von AWS MLOps-Stacks fuer vollstaendige Modell-Deployments.
Continual Learning & Foundation Model Adaptation
Kenntnisse in Continual Learning, Experience-Replay-Pipelines zur Vermeidung von katastrophischem Vergessen sowie Foundation-Model-Fine-Tuning und Neural Operators.
Umfangreiche Erfahrung im Pretraining und Fine-Tuning von Large Language Models (LLMs), einschliesslich Methoden wie LoRA/PEFT, QLoRA, DPO, ORPO sowie Retrieval-Augmented Generation (RAG) und Multi-Agent-Systemen.
Machine Learning & Deep Learning
Tiefgreifende Kenntnisse in Machine Learning und Deep Learning, inklusive Transformer-Architekturen, Bayesian Optimization, Convolutional Neural Networks, Object Detection und wissenschaftlichem ML / Surrogate Modeling mit Frameworks wie PyTorch und TensorFlow.
Cloud & MLOps (AWS, Azure, GCP)
Fundierte Kenntnisse in Cloud-Plattformen wie AWS, Azure und GCP, einschliesslich MLOps-Tooling mit CI/CD, Model Pipelining, Deployment und Scheduling sowie Diensten wie AWS Lambda, Redshift, Azure Data Factory und GCP Machine Learning.
Computer Vision & Synthetic Data
Erfahrung im Aufbau von End-to-End-Synthetic-Data-Pipelines in CARLA und Unreal Engine 5.5, Training und Benchmarking von Objektdetektoren (YOLOX, CSPDarknet, MobileNetV3) sowie Sim-to-Real-Transfer mit starken Ergebnissen.
Python & SQL Programmierung
Starke Programmierkenntnisse in Python und SQL, einschliesslich Frameworks wie Django, FastAPI, Ray sowie Datenbankloesungen wie PostgreSQL und ChromaDB.
NLP & Prompt Engineering
Kenntnisse in Natural Language Processing, Prompt Engineering, RAG-Architekturen, LangChain, Hugging Face Transformers sowie Evaluierungsmetriken wie ROUGE, SuperGLUE und HELM.
Edge AI & Model Compression
Kenntnisse in Edge-AI-Deployment, ONNX-Konvertierung, DeepSpeed, PEFT sowie Modellkompression und Datenaugmentation fuer effiziente Inferenz auf ressourcenbeschraenkten Systemen.
Data Engineering & Feature Stores
Erfahrung in der Entwicklung von Feature Stores, Automatisierung von ML-Pipelines, ETL-Prozessen sowie dem Einsatz von AWS MLOps-Stacks fuer vollstaendige Modell-Deployments.
Continual Learning & Foundation Model Adaptation
Kenntnisse in Continual Learning, Experience-Replay-Pipelines zur Vermeidung von katastrophischem Vergessen sowie Foundation-Model-Fine-Tuning und Neural Operators.
Erfahrung
Berufserfahrung5 - 10 Jahre
Freelancer seit2019
Sprachen
DeutschgutEnglischMuttersprache
Projekthistorie
Adapted a 157.7M-parameter transformer-based foundation model (shifted-window / Swin neural operator) to new domains in PyTorch, implementing full fine-tuning, LoRA (PEFT), frozen-trunk, and multi-task joint training. Built a low-weight experience-replay training pipeline to mitigate catastrophic forgetting. Applied orthogonal decomposition (POD) to estimate dataset redundancy and intrinsic dimensionality. The model achieved 8.3x lower error than an equally budgeted model.
Built an end-to-end synthetic-data pipeline in CARLA / Unreal Engine 5.5 with domain randomization and automatic bounding-box annotation. Trained and benchmarked 180+ compact object detectors (YOLOX-Tiny family) in PyTorch. Achieved strong sim-to-real transfer with 96.8% mAP@50 using synthetic-only training.
Fine-tuned LLMs using DPO and ORPO to enhance document-tagging accuracy in the medical domain. Implemented a RAG-based chat model for natural-language database queries. Customized LLMs for medical use cases including data extraction from PubMed and continued pretraining on a domain-specific corpus. Achieved 5% higher accuracy than GPT-4o in domain-specific topic tagging and sentiment analysis.