09.08.2026 aktualisiert


100 % verfügbar
Senior Machine Learning Engineer | Data Science, Predictive Analytics, NLP, ASR, Computer Vision
Boxberg, Deutschland
Deutschland
Über mich
Außerhalb der Arbeit finde ich meinen Ausgleich am Klavier oder auf dem Volleyballplatz.
Skills
MLOpsKünstliche IntelligenzData AnalysisComputer VisionBig DataCloud ComputingLinuxPythonMachine LearningNatural Language ProcessingRust (Programming Language)PyTorchMachine Learning Operations
Senior Softwareentwickler mit 14 Jahren Erfahrung, davon rund sechs Jahre mit Schwerpunkt Python.
Teamführung und Architekturverantwortung in der eigenen GmbH seit 2022.
Machine Learning. Fokus auf Next-Token-Prediction (NTP), automatische Spracherkennung (ASR) und Computer Vision. Tiefe Expertise in Transformer-Architekturen und self-supervised Pre-Training. Erfahrung im Training großer Modelle auf Multi-GPU-Systemen: verteiltes Training, Durchsatz- und Speicheroptimierung.
Systems & Infrastruktur. Entwicklung hochverfügbarer Systeme sowie der zugehörigen Netzwerk- und Storage-Infrastruktur; HA-Architekturen, HAProxy, nginx, netzwerkbasierter Storage, nftables-Firewalls und Policy-Based Routing. Reproduzierbare Deployments mit Nix/NixOS und MicroVMs. Performancekritische Komponenten in Rust; Autor von Gradient, einem CI-System für NixOS.
Embedded. Entwicklung für Mikrocontroller (ESP32, CH32-Serie, Arduino), inzwischen überwiegend in Embedded Rust, zuvor C++. Unter anderem Erfahrung mit Sensorfusion und Echtzeit-Regelkreisen.
Damit die gesamte Kette aus einer Hand: Modellentwicklung und verteiltes Training, die Infrastruktur für den zuverlässigen und reproduzierbaren Betrieb, bis hin zur Ausführung auf ressourcenbeschränkter Hardware.
Ursprünglich aus der Java- und C#-Entwicklung kommend, später C++; heute klarer Fokus auf Python und Rust.
Kenntnisse
Machine Learning / Data Jax & PyTorch (6 J., Experte) · Transformer-Architekturen (Experte) · Self-Supervised Learning (Experte) · ASR / Speech Processing (Experte) · Verteiltes Multi-GPU-Training (Experte) · Zeitreihenanalyse · DDP · SLURM · NumPy · pandas · Parquet · pytest · SQL · SPARQL
Programmiersprachen Python (6 J., Experte) · Rust (Experte) · Nix (Experte) · Erfahrung in C++, Java, C# / .NET, LEAN
Systems & Infrastruktur Linux (fundiert) · Nix / NixOS (Experte) · MicroVMs · Docker · HAProxy · Nginx · nftables · Policy-Based Routing · Border Gateway Protocol (BGP) · Hochverfügbarkeit · Netzwerkbasierter Storage · Grafana · Prometheus · Loki · Git · CI/CD · PostgreSQL · GitHub / Gitlab
Embedded Embedded Rust · no_std · ESP32 · CH32-Serie · STM32 · Arduino · Mikrocontroller-Firmware · I2C/SPI/UART · Sensorfusion · Echtzeit-Regelkreise
Branchen Language Models · Speech/Audio · Computer Vision · Risk- und Fraud-Modelle · Forschung
Erfahrung
Berufserfahrungmehr als 10 Jahre
Freelancer seit2022
Sprachen
DeutschMutterspracheEnglischverhandlungssicherPortugiesischgut
Projekthistorie
- Konzeption und Entwicklung eines Nix-basierten CI-Systems in Rust, produktiv im Einsatz
- Über 200 aktive Nutzer, 200+ GitHub-Stars; Ökosystem mit MicroVM-Hypervisor
- Telemetrie-Anbindung an Grafana über OTLP (OpenTelemetry)
- Quellcode: github.com/wavelens/gradient
- Teamleitung der Mitarbeitenden, fachliche Führung und Projektsteuerung
- Aufbau und Betrieb der gesamten Server-, Netzwerk- und Storage-Infrastruktur: NFS zwischen Storage- und Compute-Servern über 10G-Interconnect, BGP-Routing, nftables-Firewalls, Policy-Based Routing
- MicroVM-Deployments auf mehreren NixOS-Servern, Hochverfügbarkeit mit HAProxy und nginx
- Monitoring der gesamten Infrastruktur mit Grafana und Prometheus
- ML-Kundenprojekte: Zeitreihenanalyse für Risk- und Fraud-Modelle
- Computer-Vision-Kundenprojekt: KI-gestützte Entfernungsmessung und Erzeugung von Punktwolken
- weitere Kundenprojekte, u. a. Buchungsplattform (vergleichbar mit Airbnb) mit Payment-An bindung und Integration diverser REST-Schnittstellen, testgetrieben entwickelt
- Eigenimplementierung von HuBERT- und BestRQ-Pre-Training sowie Voice-Conversi on-Pipelines in PyTorch
- Entwicklung eines eigenen Pre-Training-Ansatzes jenseits von HuBERT und BestRQ: 5- bis 8-fach schnelleres Pre-Training
- Verteiltes Training auf 4x NVIDIA H100 (HPC der TU Dresden, SLURM) mit Durchsatz- und Speicheroptimierung
- WER 5,91 % (test-clean) und 15,37 % (test-other) auf LibriSpeech; Stand der Technik zum Zeitpunkt: 5,4 % und 13,2 %
- Zusammenstellung eines Sprachdatensatzes von rund 100.000 Stunden; Aufbau skalierbarer Datenpipelines für die effiziente Verarbeitung in dieser Größenordnung, Speicherung in Parquet
- Reproduzierbare Evaluationspipeline auf LibriSpeech (960 Stunden, ca. 281k Samples) mit Nix