07.07.2026 aktualisiert
Premiumkunde
100 % verfügbarSenior Data Scientist | GenAI / Machine Learning | Business Analyst
München, Deutschland
Deutschland
M.Sc. Computer & Information ScienceSkills
Business AnalysisMachine LearningTensorFlowData ScienceLarge Language ModelsPrompt EngineeringGenerative AIMachine Learning OperationsDocker
Senior Data Scientist mit Fokus auf GenAI-, Machine-Learning- und datengetriebenen Entscheidungsprozessen sowie der Schnittstelle zwischen Fachbereich und IT.
Mehrjährige Erfahrung in der Konzeption, Entwicklung und produktiven Umsetzung von AI-Systemen, insbesondere im Bereich Retrieval-Augmented Generation (RAG), Large Language Models (LLMs), Computer Vision und Zeitreihenanalyse.
Daten und KI-Lösungen in konkrete Business-Anwendungen zu überführen – von der Anforderungsanalyse über die Modellierung bis zur Integration in bestehende Systeme.
Schwerpunkte:
• Entwicklung und Produktivsetzung von GenAI- und RAG-Systemen
• Anforderungsanalyse und Übersetzung fachlicher Anforderungen in technische Lösungen
• Evaluierung und Qualitätssicherung von ML- und LLM-Systemen (z. B. RAGAS)
• Datenanalyse, Zeitreihenmodellierung und Prognosesysteme
• Computer Vision in industriellen Inspektionsprozessen
• Aufbau skalierbarer Daten- und ML-Pipelines
Technologien:
Python, LangChain, LangGraph, Databricks, AWS, Azure, Docker, Kubernetes, MLflow, Streamlit, Django, OpenCV, HALCON, PyTorch, TensorFlow, SQL, FAISS
Methoden:
Machine Learning, Deep Learning, Retrieval-Augmented Generation (RAG), Prompt Engineering, Evaluationsmetriken, CI/CD für ML-Systeme, MLOps, Zeitreihenanalyse, Synthetic Data Generation
Besonders effektiv in Projekten, die technische Umsetzung, fachliches Verständnis und datenbasierte Entscheidungsfindung verbinden.
Sprachen
DeutschMutterspracheEnglischverhandlungssicherHindiverhandlungssicher
Projekthistorie
Erweiterung und Weiterentwicklung von KI-Anwendungen sowie Architekturkomponenten innerhalb der DaSense-Plattform. Fokus auf den Ausbau einer zentralen RAG-Anwendung für KI-Apps, die Verbesserung von Retrieval-Prozessen sowie die Integration von Observability- und Knowledge-Graph-Komponenten zur effizienteren Nutzung von LLM-basierten Anwendungen.
Aufgaben und Schwerpunkte:
- Implementierung von DeepFusion in DaSense als zentrale RAG-Anwendung für KI-Apps
- Mitwirkung an Architekturentscheidungen in direkter Abstimmung mit dem CTO
- Umsetzung von semantischem Chunking zur Verbesserung der Retrieval-Qualität
- Integration von Rerankern zur Optimierung der Such- und Antwortqualität
- Konzeption und Integration von Knowledge Graphs zur Stärkung der LLM-Verarbeitung
- Verwaltung und Optimierung von Docker-Container-Ressourcen
- Umsetzung von LLM-Observability zur Nachverfolgung von Traffic, Chunks, Tokens und LLM-RessourcenLLM-Observability zur Nachverfolgung von Traff
- Verbesserung der Nachvollziehbarkeit, Performance und Skalierbarkeit von KI-Anwendungen innerhalb der DaSense-Plattform
Technologien:
Python, LangChain, LangGraph, LangFuse, Knowledge Graphs, Embeddings, Vektordatenbanken, Docker, RAG, LLMs
Entwicklung und Einführung eines KI-gestützten Systems zur Erkennung semantisch ähnlicher bzw. doppelter Jira-Tickets zur Reduzierung manueller Triage-Aufwände und Verbesserung der Datenqualität.
Aufgaben und Schwerpunkte:
• Analyse bestehender Ticketdaten und Ableitung relevanter Vergleichsmerkmale
• Entwicklung einer semantischen Ähnlichkeitssuche auf Basis von Embeddings und Vektorsuche
• Ergänzung durch feldbezogene Fuzzy-Matching-Verfahren
• Aufbau einer Review-Oberfläche zur fachlichen Bewertung und Nachvollziehbarkeit von Merge-Vorschlägen
• Integration von Erklärfunktionen zur transparenten Begründung von Zusammenführungsentscheidungen
• Unterstützung der Einbindung in bestehende Daten- und Serviceprozesse
• Entwicklung einer UI zur übersichtlichen Verwaltung und Prüfung von Tickets
Technologien:
Python, LangChain, Embeddings, FAISS, ANN Search, Fuzzy Matching, Streamlit, SQLite, LLMs
Konzeption und Entwicklung eines rollenbasierten GenAI-Onboarding-Assistenten zur strukturierten Wissensbereitstellung für neue Mitarbeitende auf Basis einer RAG-Architektur.
Aufgaben und Schwerpunkte:
• Entwicklung eines rollenbasierten Assistenzsystems zur kontextbezogenen Wissensvermittlung
• Aufbau einer Retrieval-Pipeline zur Integration interner Dokumente und externer Webquellen
• Implementierung eines Multi-Agenten-Ansatzes zur strukturierten Informationsbereitstellung
• Einführung automatisierter Evaluationsverfahren zur Qualitätsmessung von Antworten und Relevanz
• Unterstützung der Einbindung in bestehende Wissens- und Arbeitsprozesse
• Prompt Engineering zur Erzeugung strukturierter und konsistenter Outputs
Technologien:
Python, LangGraph, LangChain, RAG, LLMs, RAGAS, Prompt Engineering, Dokumentensuche, Websuche
Zertifikate
Energy Optimization in Cloud Computing
ICRTC 20172017