Senior Data Scientist

RobotDreams GmbH

Pharma und Medizintechnik

< 10 Mitarbeiter

Als technischer Projektleiter der RobotDreams GmbH verantworte ich den technologischen Aufbau eines KI-basierten MedTech-Startups zur diagnostischen Risikostratifizierung bei akutem Koronarsyndrom.

Meine Schwerpunkte:

Aufbau einer reproduzierbaren End-to-End-ML-/MLOps-Pipeline: Datenaufbereitung, Datenvalidierung, Feature Engineering, Training, Cross-Validation, Test-Set-Evaluation, MLflow-Tracking, Modellvergleich anhand klinischer und technischer Metriken sowie Modellregistrierung in Azure.
Entwicklung und Bewertung klassischer ML- und Deep-Learning-Ansätze für Labor- und FCS-Daten, inklusive Hyperparameter-Optimierung, Fehleranalyse, Bias-/Leakage-Kontrolle, Threshold-Optimierung, AUROC-/ROC-Auswertung und interpretierbarer Dokumentation.
Konzeption moderner MLOps- und Deployment-Strukturen: Daten-, Feature- und Modellversionierung, Git-/Docker-Umgebungen, CI/CD-nahe Workflows, API-Integration, Monitoring und Vorbereitung auf SaMD-nahe Produktisierung.
Technische Teamführung als Schnittstelle zwischen Data Science, Softwareentwicklung, Management und klinischen Partnern. Mitarbeit am Studienprotokoll mit der Medizinischen Universität Graz sowie Begleitung von Ethikfreigabe und Studienregistrierung.

Tech Stack:

Python, PyTorch/TensorFlow, scikit-learn, pandas, NumPy, MLflow, Azure ML, Docker, Git, Modellvalidierung, Medical AI, MLOps.

Data Scientist | Fujitsu | Projektkontext: REHAU Industries SE & Co. KG

Fujitsu

Industrie und Maschinenbau

>10.000 Mitarbeiter

Bei Fujitsu war ich als Data Scientist in einem öffentlich kommunizierten KI-Projekt für REHAU Industries SE & Co. KG maßgeblich für die Entwicklung von Deep-Learning-Modellen zur automatisierten Qualitätsprüfung in der industriellen Extrusionsfertigung verantwortlich. Ziel war ein KI-basiertes System zur Erkennung von Defekten auf polymerbasierten Profilen in einer produktionsnahen Umgebung.

Meine Schwerpunkte:

Entwicklung und Training von Deep-Learning-Modellen zur Defekt- und Anomalieerkennung
Analyse und Aufbereitung realer Produktions- und Bilddaten
Validierung der Modelle mit industriellen Fertigungsdaten
Fehleranalyse, Modelloptimierung und Bewertung der Praxistauglichkeit
Umsetzung eines funktionalen MVP für die Qualitätssicherung
Miterfindung eines von Fujitsu angemeldeten Verfahrens zur KI-basierten Anomalieerkennung in der industriellen Qualitätsprüfung

Ergebnis:

Lieferung eines validierten MVPs für ein KI-basiertes Qualitätssicherungssystem in der industriellen Fertigung. Aus dem Projekt ging zudem eine internationale Patentanmeldung hervor: WO2025180648A1.

Öffentliche Pressemitteilung: https://www.fujitsu.com/de/about/resources/news/press-releases/2024/20240409.html

Tech Stack:

Python, Deep Learning, Computer Vision, Defect Detection, Anomaly Detection, TensorFlow/Keras, PyTorch, scikit-learn, Git, industrielle Bilddaten, Modellvalidierung, MVP-Entwicklung, MLOps, Docker

Data Scientist | Fujitsu | Projektkontext: EintrachtTech GmbH

Fujitsu

Internet und Informationstechnologie

>10.000 Mitarbeiter

Bei Fujitsu war ich als Data Scientist an einem öffentlich kommunizierten KI-/IoT-Projekt mit EintrachtTech GmbH im Deutsche Bank Park beteiligt. Im Fokus stand ein KI-basiertes Warteschlangenmanagement für den Fan-Shop, mit dem Besucherströme analysiert und erwartete Wartezeiten datenbasiert prognostiziert werden sollten.

Meine Schwerpunkte:

Entwicklung von Computer-Vision-Ansätzen zur Analyse von Besucherströmen
Einsatz von Multiple Object Tracking zur Erfassung von Bewegungsmustern über die Zeit
Auswertung von Positionsänderungen und zeitbasierten Features aus Kameradaten
Entwicklung und Training von Prognosemodellen zur Vorhersage erwarteter Wartezeiten
Unterstützung der Integration in eine Edge-AI-Umgebung auf NVIDIA-Jetson-Hardware
Validierung des Ansatzes im Live-Pilot im Stadionumfeld

Ergebnis:

Entwicklung eines KI-basierten Ansatzes zur kameragestützten Analyse von Besucherströmen und zur Prognose von Wartezeiten. Die Modelle wurden in eine Edge-AI-Umgebung integriert und im Live-Pilot getestet.

Öffentliche Pressemitteilung: https://info.archives.global.fujitsu/de/about/resources/news/press-releases/2023/20230215.html

Tech Stack / Methoden:

Python, Computer Vision, Object Tracking, Multiple Object Tracking, ByteTrack, LSTM, Time Series Forecasting, Deep Learning, OpenCV, PyTorch, TensorFlow/Keras, Edge AI, NVIDIA Jetson, MLOps, Azure

Data Scientist | Fujitsu | Projektkontext: Nürburgring 1927 GmbH & Co. KG

Fujitsu

Automobil und Fahrzeugbau

>10.000 Mitarbeiter

Bei Fujitsu war ich als Data Scientist maßgeblich an der Entwicklung von Computer-Vision- und Deep-Learning-Modellen für ein KI-gestütztes Sicherheitssystem auf der Nürburgring-Nordschleife beteiligt. Ziel war es, sicherheitskritische Situationen auf der Rennstrecke mithilfe von Echtzeit-Bildanalyse schneller zu erkennen und die Rennleitung datenbasiert zu unterstützen.

Meine Schwerpunkte:

Entwicklung von Deep-Learning-Modellen zur Objekt- und Gefahrenerkennung
Aufbau und Training von Computer-Vision-Modellen für Kameradaten aus realer Streckenumgebung
Fehleranalyse, Modellverbesserung und Validierung unter anspruchsvollen Outdoor-Bedingungen
Integration der Modelle in ein digitales Frühwarnsystem mit über 100 Kameras
Zusammenarbeit mit Projektteam, Systemarchitektur und Integrationspartnern bis zum produktiven Einsatz

Ergebnis:

Die von mir mitentwickelten KI-Modelle wurden in ein produktives Echtzeit-Sicherheitssystem für die Nürburgring-Nordschleife integriert. Das System analysiert Kamerabilder in Echtzeit und unterstützt die schnelle Erkennung sicherheitskritischer Situationen im Streckenbetrieb.

Öffentliche Referenz:

https://www.auto-motor-und-sport.de/motorsport/nordschleife-sicherheit-ueberwachung-kuenstliche-intelligenz-fujitsu/

Tech Stack / Methoden:

Python, Deep Learning, Computer Vision, Object Detection, Anomaly Detection, YOLO, OpenCV, PyTorch, TensorFlow, Keras, MLflow, Object Tracking, Git, Unit Testing, ONNX, TensorRT, MLOps, Azure

Data Scientist | Fujitsu | Projektkontext: VisiConsult X-ray Systems & Solutions GmbH

Fujitsu

Industrie und Maschinenbau

>10.000 Mitarbeiter

Bei Fujitsu war ich im Rahmen der öffentlich kommunizierten Partnerschaft mit VisiConsult X-ray Systems & Solutions GmbH maßgeblich an der Entwicklung von Deep-Learning-Modellen zur automatisierten Analyse industrieller Röntgenbilder beteiligt. Ziel war ein KI-basiertes Smart-Inspection-System zur Defekt- und Anomalieerkennung in sicherheitskritischen industriellen Anwendungen, unter anderem in der Luftfahrt sowie in der Öl- und Gasindustrie.

Meine Schwerpunkte:

Entwicklung und Training von Deep-Learning-Modellen für industrielle Röntgenbilder
Defekt- und Anomalieerkennung in großformatigen Bilddaten
Analyse, Aufbereitung und Validierung realer Kundendaten aus sicherheitskritischen Industrien
Modellbewertung, Fehleranalyse und Optimierung der Erkennungsleistung
Umsetzung eines funktionalen MVPs als Grundlage für Pilotkunden
Miterfindung eines von Fujitsu angemeldeten Verfahrens zur KI-basierten Analyse industrieller Bilddaten

Ergebnis:

Lieferung eines lauffähigen MVPs für die KI-gestützte Qualitätsprüfung industrieller Röntgenbilder. Aus dem Projekt ging zudem eine internationale Patentanmeldung hervor: WO2022073827A1.

Öffentliche Referenz: https://visiconsult.de/visiconsult-und-fujitsu-treiben-smart-inspection-voran/

Tech Stack / Methoden:

Python, Deep Learning, Computer Vision, Defect Detection, Anomaly Detection, Industrial X-Ray, TensorFlow/Keras, Docker, Git, OOP, Unit Testing, Scrum, industrielle Bilddaten, MVP-Entwicklung, MLOps, MLflow

Data Scientist | Berechnungsingenieur

Schaeffler Group

Automobil und Fahrzeugbau

>10.000 Mitarbeiter

Bei Schaeffler war ich als Berechnungsingenieur und Data Scientist in der Entwicklung und Analyse technischer Antriebssysteme tätig. Der Schwerpunkt lag auf Simulation, Messdatenauswertung, Modellierung und datengetriebenen Methoden für Automotive- und Industrieanwendungen.

Meine Schwerpunkte:

Entwicklung und Validierung von Machine-Learning-Modellen zur Vorhersage technischer Bauteil- und Materialeigenschaften
Analyse von Prüfstands-, Fahrzeug- und Simulationsdaten
Entwicklung von Simulink-basierten Thermomanagement-Modellen für Antriebsstrangsysteme
Aufbau von Tools zur Energieverbrauchs- und Systemsimulation
Entwicklung von Methoden zur NVH-Bewertung im Motorradantriebsstrang
Programmierung von MATLAB-Tools für Berechnung, Analyse und Automatisierung technischer Aufgaben
Durchführung nichtlinearer FEM-Simulationen mit ANSYS Workbench

Ergebnis:

Entwicklung datengetriebener und simulationsbasierter Engineering-Tools für technische Produktentwicklung, Validierung und Analyse im Automotive-Umfeld. Die Tätigkeit verbindet klassische Berechnung, Messdatenanalyse, Simulation und Machine Learning.

Tech Stack / Methoden:

MATLAB, Simulink, Python, Keras, scikit-learn, Machine Learning, Datenanalyse, Messdatenanalyse, Simulation, FEM, ANSYS Workbench, NVH, Automotive Engineering, technische Modellierung.

Medical Computer Vision Research | Kaggle Top 2 % | Co-Author

Kaggle

Sonstiges

Im Rahmen der Kaggle Competition „Histopathologic Cancer Detection“ entwickelte ich gemeinsam mit einem Forschungsteam Deep-Learning-Verfahren zur Erkennung metastatischer Tumorareale in histopathologischen Bildpatches von Lymphknoten. Ziel war die binäre Klassifikation digitaler Pathologie-Bilddaten auf Basis des PatchCamelyon-Datensatzes.

Meine Schwerpunkte:

Entwicklung und Training von CNN-Modellen für medizinische Bildklassifikation
Einsatz von Transfer Learning mit verschiedenen Deep-Learning-Architekturen
Nutzung von Semi-Supervised Learning und Pseudo-Labeling zur Einbindung zusätzlicher unlabeled Daten
Fine-Tuning, Test-Time Augmentation und Ensemble-Methoden zur Performance-Steigerung
Validierung und Vergleich verschiedener Modellarchitekturen
Mitwirkung an wissenschaftlicher Veröffentlichung im Medical-Computer-Vision-Kontext

Ergebnis:

Top-2-%-Platzierung in der Kaggle Competition „Histopathologic Cancer Detection“ mit Platz 16 im Public Leaderboard und Platz 24 im Private Leaderboard unter mehr als 1.149 Teams. Die Ergebnisse wurden im Paper „Semi-Supervised Learning for Cancer Detection of Lymph Node Metastases“ veröffentlicht und im Kontext eines CVPR-Workshops präsentiert.

Paper: https://arxiv.org/abs/1906.09587

Tech Stack / Methoden:

Python, Keras/TensorFlow, CNNs, DenseNet201, SE-ResNet101, InceptionV3, Transfer Learning, Semi-Supervised Learning, Pseudo-Labeling, Test-Time Augmentation, Ensemble Learning, Medical Computer Vision

FEM, Simulation & Machine Learning Research

Airbus

Industrie und Maschinenbau

>10.000 Mitarbeiter

Bei Airbus arbeitete ich im Rahmen von Praktikum, Werkstudententätigkeit sowie Bachelor- und Masterarbeit an datengetriebenen Engineering- und Simulationsmethoden für Flugzeugstrukturen. Der Schwerpunkt lag auf FEM-Analyse, Automatisierung von Simulationen, strukturdynamischer Parameteridentifikation und dem Einsatz von Machine-Learning-Methoden in der Luftfahrtentwicklung.

Meine Schwerpunkte:

Entwicklung und Analyse von Finite-Elemente-Modellen für sicherheitskritische Flugzeugstrukturen
Arbeit mit PATRAN/NASTRAN im Umfeld von Strukturmechanik und Luftfahrtentwicklung
Automatisierung von FEM-Simulationen für Flugzeugbodenstrukturen
Einsatz von Machine-Learning-Methoden zur Effizienzsteigerung technischer Simulationsprozesse
Entwicklung und Validierung von Methoden zur strukturdynamischen Parameteridentifikation
Auswertung von Mehrachsen-Schwingversuchen an einem Flugzeugrumpfsegment im ESA-Testzentrum Noordwijk
Analyse von Eigenfrequenzen, Eigenformen und Dämpfungsparametern

Ergebnis:

Entwicklung datengetriebener und simulationsbasierter Methoden für die Analyse sicherheitskritischer Flugzeugstrukturen. Die Arbeiten wurden mehrfach ausgezeichnet, u. a. mit dem Hamburg Aviation Nachwuchspreis, dem Franz-Herbert-Spitz-Preis und dem Werner-Baensch-Preis.

Tech Stack / Methoden:

PATRAN, NASTRAN, MATLAB, FEM, Simulation, Strukturmechanik, Machine Learning, Parameteridentifikation, Schwingungsanalyse, Luftfahrt, technische Datenanalyse.

Senior Data Scientist | ML Engineer | Computer Vision & KI-Consulting

Profilanlagen

Über mich

Skills

Sprachen

Projekthistorie