06.07.2026 aktualisiert
Premiumkunde
100 % verfügbarAI Engineer | Consultant | Computer Vision | LLM
Munich, Deutschland
Weltweit
Master of Science in InformatikÜber mich
Erfahrener AI Engineering Product Manager (M.Sc. Informatik) und Technical Consultant. Spezialisiert auf AI-Beratungsstrategie, End-to-End-KI-Architektur (RAG, LLMs) und Produktstrategie. Forschung in Gaussian Splatting und Computer Vision sowie Data Modeling zur Workflow-Optimierung.
Skills
JavaScriptForschungKünstliche IntelligenzArchitekturComputer VisionUNIXKundendienstCloud ComputingDatenbankenBeratungElasticsearchIngenieurwesenSkalierbarkeitPythonPostgreSQL
AI Engineering & Produktmanagement: Architektur, Design und Deployment von End-to-End-KI-Systemen. Fokus auf RAG (Retrieval-Augmented Generation), Large Language Models (LLMs), und Wissensmanagementsysteme. Leitung der Produktstrategie, Feature-Priorisierung durch User Research und Transformation von Pain Points in skalierbare Features. Entwicklung von Universal-Crawler-Pipelines.
Software- und Cloud-Entwicklung: Robuste Backend-Systeme mit FastAPI. Deployment containerisierter Anwendungen mit Docker und GCP. Entwicklung von Frameworks (PyAEM) und Web-Applikationen (Frontend bis Backend).
Datenbanken & Tools:
- SQL (PostgreSQL, pgVector, SQLModel, SQLAlchemy).
- Elasticsearch, Git, Unix.
- Programmiersprachen: Python (erfahren), C, JavaScript.
- Frameworks: PyTorch, scikit-learn, Pydantic, Numpy, Pandas, ReactJS.
Data Science & Consulting: Analyse und Manipulation von High-Volume-Kundendatensätzen. Entwicklung von Tools zur Workflow-Optimierung. Technische Kundenberatung zur Identifikation kritischer Geschäftsherausforderungen. Forschung in 3D Convex Splatting und klinischer Datenwissenschaft (U-Net für Tumorsegmentierung).
Sprachen
ArabischMutterspracheDeutschMutterspracheEnglischMutterspracheKurdischMuttersprache
Projekthistorie
- Aufbau und Delivery von GenAI Proof-of-Concepts für Wissensmanagement im Handwerkssektor, von Datenaufbereitung bis Production-Ready Code
- Implementierung von End-to-End ML-Pipelines mit Python für RAG-Systeme unter Verwendung von LangChain und Vektor-Datenbanken (PostgreSQL/pgVector)
- Anwendung von LLMs in der Praxis: Prompt Engineering, strukturierte Outputs mit Pydantic, systematische Evaluation und RAG-Implementierung
- Data Quality Management und Datenaufbereitung füur Kundendaten, Sicherstellung von reliable Outputs durch strukturierte Evaluationspipelines
- Fine-Tuning von Embedding-Modellen zur Verbesserung der Retrieval-Qualität, 40% Steigerung der Antwortrelevanz durch domänenspezifische Anpassung
- Entwicklung robuster FastAPI-Services für ML-Model-Serving mit Monitoring und Evaluation-Metriken
- Enge Zusammenarbeit mit Stakeholdern zur Identifikation von Use Cases und iterativer Verbesserung von AI-Lösungen