Implementierung einer GraphRAG-Applikation zur Optimierung der Datenabfrage unstrukturierter Daten
(Architektur und Bauwesen, 50-250 Mitarbeiter)
Schlagwörter
Künstliche Intelligenz
Information Engineering
Data Science
Datenbanken
Machine Learning
Requirements Engineering
Softwareentwicklung
Deep Learning
Forschung
Data Analysis
Skills
Künstliche Intelligenz und Data Science
Fundierte Kenntnisse in KI und Data Science. Entwicklung und Integration von Data- und KI-Anwendungen, speziell für KMUs.
Softwareentwicklung
Erfahrung in der Softwareentwicklung mit Fokus auf E-Commerce-Lösungen (Frontend und Backend) und Prozessoptimierung.
Datenbanksysteme und Data Engineering
Expertise in relationalen Datenbanksystemen, NoSQL und Data Engineering. Anwendung von Apache Spark und Databricks für skalierbare Datenverarbeitung.
Machine Learning und Deep Learning
Praktische Anwendung von Python-Frameworks für Datenanalyse und maschinelles Lernen. Erfahrung mit Modellvalidierung, Feature Engineering und Hyperparameteroptimierung.
Natural Language Processing
Praxisprojekt zur Erkennung von Sprachunflüssigkeiten mittels Deep Learning. Fundierte Kenntnisse in NLP und Fine-Tuning vortrainierter Sprachmodelle.
Projektmanagement und Requirements Engineering
Erfahrung in der Entwicklung und Umsetzung von Geschäftsplänen und Unternehmensstrategien. Kompetenzen im Requirements Engineering für IT-Projekte.
Analytisches Denkvermögen und Forschung
Forschungserfahrung zur Qualität und Sicherheit von ML-generiertem Code. Entwicklung eines Encoder-Decoder-Modells für die automatisierte Generierung von Bildbeschreibungen.
Fundierte Kenntnisse in KI und Data Science. Entwicklung und Integration von Data- und KI-Anwendungen, speziell für KMUs.
Softwareentwicklung
Erfahrung in der Softwareentwicklung mit Fokus auf E-Commerce-Lösungen (Frontend und Backend) und Prozessoptimierung.
Datenbanksysteme und Data Engineering
Expertise in relationalen Datenbanksystemen, NoSQL und Data Engineering. Anwendung von Apache Spark und Databricks für skalierbare Datenverarbeitung.
Machine Learning und Deep Learning
Praktische Anwendung von Python-Frameworks für Datenanalyse und maschinelles Lernen. Erfahrung mit Modellvalidierung, Feature Engineering und Hyperparameteroptimierung.
Natural Language Processing
Praxisprojekt zur Erkennung von Sprachunflüssigkeiten mittels Deep Learning. Fundierte Kenntnisse in NLP und Fine-Tuning vortrainierter Sprachmodelle.
Projektmanagement und Requirements Engineering
Erfahrung in der Entwicklung und Umsetzung von Geschäftsplänen und Unternehmensstrategien. Kompetenzen im Requirements Engineering für IT-Projekte.
Analytisches Denkvermögen und Forschung
Forschungserfahrung zur Qualität und Sicherheit von ML-generiertem Code. Entwicklung eines Encoder-Decoder-Modells für die automatisierte Generierung von Bildbeschreibungen.
Projekthistorie
10/2024
-
03/2025
In diesem Projekt habe ich eine Helpdesk-Applikation entwickelt, die auf dem GraphRAG-Ansatz basiert. GraphRAG integriert Wissensgraphen mit großen Sprachmodellen (LLMs), um strukturierte und kontextreiche Antworten auf Kundenanfragen zu generieren. Durch die Nutzung von Graph-Datenbanken werden Beziehungen und Verknüpfungen zwischen Daten analysiert und in einen strukturierten Wissensgraphen überführt. Dies ermöglicht es, spezifische Informationen effizient abzurufen und weiterzuverarbeiten, was zu genaueren und konsistenteren Antworten führt.
Herausforderungen:
Eine zentrale Herausforderung bestand in der Umwandlung unstrukturierter Daten aus Kundenanfragen und Support-Dokumentationen in eine für den Wissensgraphen geeignete Struktur. Zudem war die effiziente Abfrage und Verarbeitung großer Datenmengen erforderlich, um schnelle und präzise Antworten zu gewährleisten.
Technologiestack:
Herausforderungen:
Eine zentrale Herausforderung bestand in der Umwandlung unstrukturierter Daten aus Kundenanfragen und Support-Dokumentationen in eine für den Wissensgraphen geeignete Struktur. Zudem war die effiziente Abfrage und Verarbeitung großer Datenmengen erforderlich, um schnelle und präzise Antworten zu gewährleisten.
Technologiestack:
- Datenbanken: Einsatz verschiedener Graph-, Vektor-, Dokumenten-, und Cache-Datenbanken
- NLP- und AI-Frameworks: Spacy, Langchain, LLamaIndex
- Large Language Models (LLMs): OpenAI
10/2022
-
09/2024
Prokurist, Software- und AI-Engineer
(Internet und Informationstechnologie, 10-50 Mitarbeiter)
- Strategische und operative Unternehmensführung,
- Datengetriebene Entwicklung von Geschäftsplänen
- Optimierung betrieblicher Abläufe mit AI und Data Science
- Finanzverantwortung, Personalmanagement
- Kunden- und Partnermanagement
- Fullstack-Entwicklung von E-Commerce-Lösungen
- DevOps
Docker, Kubernetes, Shopware 5 und 6, PIM, OpenAI, SQL und NoSQL, Python, Symfony, Vue, React, ...
09/2022
-
03/2023
Mustererkennung in Sprachsignalen mittels Künstlicher Intelligenz
(Sonstiges, < 10 Mitarbeiter)
In diesem Projekt wurde ein System entwickelt, das spezifische Merkmale aus Audiodaten, wie Tonhöhe, Sprechgeschwindigkeit und Intonation, extrahiert und klassifiziert. Ziel war es, charakteristische Sprachmuster zu identifizieren und zu kategorisieren, um Anwendungen wie Sprechererkennung, emotionale Analyse oder Sprachtherapie zu unterstützen.
Ziele:
Technologien
Ziele:
- Automatische Extraktion relevanter Sprachmerkmale aus Audiodaten.
- Klassifikation dieser Merkmale zur Identifikation spezifischer Sprachmuster.
- Bereitstellung einer Grundlage für weiterführende Anwendungen in Bereichen wie Sprecheridentifikation oder Sprachanalyse.
Technologien
- Bibliotheken und Frameworks: TensorFlow, PyTorch
- Spracherkennungsmodelle: OpenAI Whisper, BERT, ...
- Datenverarbeitung: NumPy, SciPy
- Audioverarbeitung: Librosa, ...
04/2022
-
08/2022
Automatisierte Erstellung SEO-optimierter Bildbeschreibungen mittels KI
ntwicklung eines KI-gestützten Systems zur automatischen Generierung von präzisen, SEO-optimierten Bildbeschreibungen für Onlineshops und Webseiten. Die Lösung analysiert Bildinhalte mittels AI-Imagerecognition und erzeugt qualitativ hochwertige, suchmaschinenfreundliche Texte, um die Sichtbarkeit in Suchmaschinen zu verbessern und manuelle Aufwände signifikant zu reduzieren. Hierfür wurde ein Encoder-Decoder-Modell trainiert.
Ziele:
Ziele:
- Automatisierung der Erstellung von SEO-freundlichen Bildbeschreibungen
- Steigerung der Sichtbarkeit von Produkten in Suchmaschinen
- Reduzierung des manuellen Aufwandes und der Fehleranfälligkeit
- Verbesserung der Nutzererfahrung durch aussagekräftige, konsistente Inhalte
- Python
- TensorFlow / Keras
- Computer Vision (z.B. YOLO, ResNet)
Reisebereitschaft
Nur Remote verfügbar
