06.08.2026 aktualisiert

**** ******** ****
Premiumkunde
100 % verfügbar

Senior Data Scientist

Bad Homburg vor der Höhe, Deutschland
Weltweit
Master of Science (M.Sc.)
Bad Homburg vor der Höhe, Deutschland
Weltweit
Master of Science (M.Sc.)

Profilanlagen

ainovi Profil - Nils Heid.pdf
ainovi Profil - Nils Heid.docx
ainovi Profil - Nils Heid - EN.pdf
ainovi Profil - Nils Heid - EN.docx

Skills

FlutterJavaScriptPHPKünstliche IntelligenzAmazon Web ServicesData AnalysisComputer VisionAtlassian ConfluenceAtlassian JiraMicrosoft AzureBig DataC#C++CSSCloud ComputingClusteranalyseDatenbankenContinuous IntegrationKundenbindungETLData MiningDatenvisualisierungDevOpsR (Programmiersprache)PythonPostgreSQLMachine LearningProjektmanagementMicrosoft Sql-ServerMongoDBNatural Language ProcessingNeo4jNltkNumPyScrumMicrosoft Power BITensorFlowSAP HANASoftwareentwicklungSQLiteSQLZeitreihenanalyseTypeScriptPulumiGoogle CloudData SciencePyTorchReact.jsFlaskDeep LearningGitKanbanpandasMatplotlibPytestAngularJSScikit-learnInfrastrukturautomatisierungs-FrameworksXgboostPlotlyMachine Learning OperationsIbm BluemixTerraformDockerJenkinsDatabricksOracledb
Profil
Nils Heid ist ein Senior Data Scientist mit starker Expertise in den Bereichen Machine Learning / AI, Datenanalyse und Software Engineering. In Kundenprojekten konnte er bereits vielfach wichtige Einblicke mithilfe detaillierter Analysen bieten sowie Machine Learning Modelle vom Entwurf bis zur Produktivsetzung begleiten. Seine breit gefächertes Skillset erlaubt es ihm, seine Kunden bei vielerlei Problemstellungen effektiv zu unterstützen.

Kenntnisse
Methoden und Technologien
Projektmanagement Scrum, Kanban
Data Science: Explorative Datenanalyse, Datenvisualisierung, Big Data, Data Mining, Machine Learning, Deep Learning, Time series, Clustering, Klassifikation, Regression, Natural Language Processing, Computer Vision, Zeitreihenanalyse
DevOps / MLOps Cloud (AWS, GCP), ETL, CI/CD, Docker, Jenkins, Infrastructure as Code (Terraform, Pulumi), Databricks
Persönlichkeit: Analytisches Denken, Kundenorientierung, Teamfähigkeit, Kommunikationsfähigkeit, Lernbereitschaft

Technisches Skillset
Programmiersprachen: Python, R, SQL, JavaScript / Typescript, PHP, HTML / CSS, C#, C++, Cypher
Frameworks: NumPy, Pandas, Polars, Pulumi, Scikit-Learn, Tensorflow, PyTorch, Matplotlib, Seaborn, Plotly, Nltk, XGBoost, Flask, Pytest, Angular, React, Poetry, Flutter, UI5 u.v.m.
Datenbanken: Microsoft SQL Server, PostgreSQL, SQLite, MongoDB, Neo4J, SAP Hana, Oracle DB
Tools: Google Cloud, AWS, Azure, Paperspace, Jira, Confluence, Git, Docker, PowerBI, IBM Bluemix & Watson

Sprachen

DeutschMuttersprache

Projekthistorie

AI-Engineer im Pharma-Bereich

Entwicklung eines intelligenten Vertriebs-Cockpits, was mithilfe von GenAI sowie klassischen ML-Modellen Vertriebs-Empfehlungen ausspricht.
Methoden: Data Science & Engineering, LLMs, GenAI, MLOps, Agile Entwicklung, RAG
Eingesetzte Tools: Claude, Python, Node.js (Typescript), MS SQL, Git, Azure DevOps, CI /CD
  • Datenanbindung, Aufbereitung und Bereinigung, Aufbau einer skalierbaren Datenpipeline
  • Erstellen von Kunden und Produkt-Zusammenfassungen mithilfe von LLMs
  • Analyse von Sentiment, Bestell und Kommunikationshistorie zur Erstellung eines Health-Scores
  • Bereitstellen verschiedener Insights in einem zentralen Dashboard
  • Erstellen von Vertriebs-Empfehlungen mithilfe einer Kombination klassischer ML-Ansätze (XGBoost) und GenAI
  • Bereitstellung der Ergebnisse in einem Node.js Frontend
  • Kontinuierliche Überwachung und Anpassung der Vertriebsempfehlungen
  • Konzeption eines RAG-Chatbots zur Bereitstellung von Produktinformationen


Anonymisierung von Textdaten

ainovi

Internet und Informationstechnologie

10-50 Mitarbeiter

Projektleitung der Weiterentwicklung einer Machine Learning basierten Anonymisierungslösung für Textdaten. Neben einer stetigen Verbesserung der Genauigkeit sowie der kontinuierlichen Wartung der Applikation steht die Bereitstellung als moderne Web-App im Fokus.

Methoden Deep Learning, Infrastructure-As-Code, Agile Entwicklung, Natural Language Processing

Eingesetzte Tools Claude, Python, Pulumi, Google Cloud, Paperspace, Typescript, Azure DevOps

  1. Koordinierung & Leitung des Projektes
  2. Weiterentwicklung der bestehenden Rest-API
  3. Akquirieren und Vorbereiten neuer Daten zum Modell-Improvement
  4. Deployment der Applikation mithilfe von Pulumi als Infrastructure-as-Code in
  5. der Google-Cloud
  6. Entwicklung des Webinterfaces zur Anonymisierung mit Node.js & React
  7. Fine-Tuning der verwendeten Large-Language Transformer-Modelle
  8. mittels PyTorch
  9. Experimentelles Model-Serving mittels Ray Serve
  10. Einsatz vortrainierter Modelle mittels Huggingface

Auslastungsvorhersage im Schienenverkehr

DB InfraGO

Transport und Logistik

>10.000 Mitarbeiter

Entwicklung eines Machine Learning Servies zur Vorhersage und Anzeige künftiger Auslastungen im Deutschen Schienennetz.
Methoden Data Science & Engineering, (Deep) Machine Learning, Zeitreihenanalyse, Agile Entwicklung
Eingesetzte Tools Github Copilot, AimStack, Python, FastAPI, PyTorch, Matplotlib, Scikit, PostgreSQL, Git, Power BI
  1. Datenaufbereitung und Bereinigung, Aufbau einer skalierbaren Datenpipeline
  2. Anbindung vielfaltiger Datenquellen sowohl im Training als auch im Live-Betrieb
  3. Einführen von Coding Standards (Typing, Pydantic, Branching Strategies, Review-Workflows, …)
  4. Training und Evaluierung verschiedener Machine Learning Modelle, u.a. GNNs, XGBoost, ElasticNet
  5. Entwicklung einer Rest-API mittels FastAPI zur Kommunikation mit dem Service; Parallelisierung von Inference-Anfragen mittels asyncio, Multithreading und Multiprocessing
  6. Aufbau der CI / CD Pipelines, u.a. mit Gitlab und Jenkins
  7. Orchestrierung der Workflows im Bereich ETL, Modell-Training und Software-Entwicklung
  8. Pilotierung & Produktivsetung der Software
  9. Analysieren der Zeitreihendaten
  10. Erstellung und Betreuung von Power-BI Dashboards
  11. Test-Driven Development mit Pytest

Automatisierung eines internen Prozesses

DB InfraGO

Transport und Logistik

>10.000 Mitarbeiter

Automatisierung eines internen Prozesses mittels Machine Learning. Aufgrund einer NDA können nur knappe Informationen über das Projekt genannt werden.
Methoden Data Science & Engineering, Visualization, Machine Learning, Agile Entwicklung
Eingesetzte Tools Github Copilot, AimStack, Python, PyTorch, Matplotlib, PowerBI, Scikit, PostgreSQL, Git, Jenkins
  1. Aufbau von ML & AI Fähigkeiten in der Abteilung
  2. Analyse, Bewertung und Kategorisierung verschiedener AI und ML Use-Cases
  3. Konsolidierung & Data Preprocessing von verschiedenen Datenquellen (u.a. Message Queues (RabbitMQ), Datenbanken, S3-Buckets, File Shares), Aufbau der Datenpipeline
  4. Entwicklung einer automatisierten ETL-Pipeline für den Produktivbetrieb
  5. Einsatz & Bewertung verschiedener ML-Modelle
  6. Pilotierung, Produktivsetzung & Betreuung der Software
  7. Aufbau der CI / CD Pipelines, u.a. mit Gitlab und Jenkins
  8. Bau eines Web-Interfaces für die Operator
  9. Tracking & Überwachung des Trainingserfolges in AimStack
  10. Erstellen von Dashboards mithilfe von PowerBI

Vorhersage von Finanzdaten

ainovi

Internet und Informationstechnologie

10-50 Mitarbeiter

Betreuung eines Forschungsprojekts in Kooperation mit der Frankfurt School of Applied Science im Bereich Vorhersage von Finanzdaten.
Methoden Data Science & Engineering, (Deep) Machine Learning, Zeitreihenanalyse, Agile Entwicklung
Eingesetzte Tools Databricks, Python
  1. Vorhersage von Finanzdaten im Rahmen des IFRS eines Kunden aus der Pharma-Industrie
  2. Entwicklung einer Datenstrecke
  3. Bereitstellung und Verwaltung der Databricks-Plattform
  4. Entwicklung und Training verschiedener ML-Modelle
  5. Betreuung der Studenten, Koordinierung der Anforderung


Effekt-Vorhersage für Maßnahmen im Schienennetz

DB Systel

Internet und Informationstechnologie

>10.000 Mitarbeiter

Entwicklung eines statistisch-basierten Frameworks zur Vorhersage von Effekten durch verschiedene, angedachte Maßnahmen im Schienennetz mittels Quasi-Experimente.
Methoden Kausale Modellierung, Data Science & Engineering, Visualization, Zeitreihenanalyse, Machine Learning, Agile Entwicklung
Eingesetzte Tools MLFlow, Python, Poetry, Matplotlib, Scikit, Neo4J+Cypher, AWS, PostgreSQL, Gitlab CI/CD, Git
  1. Effekt-Bestimmung künftiger Maßnahmen rein basierend auf Vergangenheits-Daten durch sogenannte Quasi-Experimente
  2. Indirekte, kausale Modellierung der Problemstellung
  3. Konsolidierung & Data Preprocessing von verschiedenen Datenquellen
  4. Berechnung und Bestimmung geeigneter Kovariaten, um eine Vergleichbarkeit zwischen verschiedenen Situationen im Schienennetz herstellen zu können
  5. Gewichtung der Kovariaten durch Propensity-Score-Matching
  6. Bestimmung des Effektes mittels verschiedener (statistischen) Modelle
  7. Weitreichende Analyse der Pipeline bzw. der Ergebnisse mittels verschiedener Methoden, wie z.B. Catboost
  8. Entwicklung eines modularen Frameworks, um die Methodik um die Zugänglich- und Nutzbarkeit in der Breite zu gewährleisten
  9. Automatisierung der Experiment-Ausführung
  10. Tracking der Ergebnisse und Metriken auf MLFlow
  11. Implementation einer Gitlab CI/CD Pipeline
  12. Pilot-Anwendung im Großraum Frankfurt

Zertifikate

Certified Data Analyst Associate (in Vorbereitung)

Databricks

2026

Power BI Data Analyst Associate

Microsoft

2025

AWS Certified Cloud Practitioner

Amazon Web Services (AWS)

2024

Entwicklungsprogramms für Führungskräft

Software Campus

2020

Professional Scrum Master I

Scrum.org

2019

Kontaktanfrage

Einloggen & anfragen.

Das Kontaktformular ist nur für eingeloggte Nutzer verfügbar.

RegistrierenAnmelden