Vom Datensatz
zur fertigen Lösung.
Ich arbeite mit großen Datensätzen, entwickle Deep-Learning-Modelle und bringe sie mit Docker und CI/CD produktiv in den Einsatz – ergänzt durch moderne Agentic-AI-Ansätze wie RAG und Prompt Engineering.
Was ich mitbringe
Meine Stärken reichen von der Datenverarbeitung und dem Training neuronaler Netze über klassische Optimierung bis hin zu Deployment und KI-gestützter Entwicklung.
Große Datensätze & Visualisierung
Verarbeitung und Darstellung sehr großer wissenschaftlicher Datensätze mit effizientem I/O und klarer Visualisierung.
Deep Learning
Entwicklung und Training neuronaler Netze sowie klassischer ML-Modelle für komplexe Vorhersage- und Klassifikationsaufgaben.
Optimierungsalgorithmen
Anwendung klassischer numerischer und kombinatorischer Optimierungsverfahren zur Lösung komplexer Ingenieur- und Forschungsprobleme.
Deployment & CI
Containerisierung von Anwendungen und automatisierte Continuous-Integration-Pipelines für reproduzierbare Deployments.
Agentic AI
Entwicklung autonomer KI-Agenten und RAG-Systeme; Prompt Engineering und KI-gestützte Entwicklung mit Claude Code.
Interdisziplinäre Zusammenarbeit
Brücke zwischen technischen und nicht-technischen Teams: Anforderungen verstehen, Lösungen verständlich kommunizieren und gemeinsam umsetzen.
1. Daten formen→2. Systeme entwickeln→3. Produkte ausliefern
Ausgewählte Projekte
Von einem produktiven RAG-System bis zu Forschungsprojekten in Deep Learning und Optimierung – ein Einblick in meine Arbeit.
Paragraphenreiter
Demo →
RAG-System für juristische Fragen: Nutzereingaben werden semantisch analysiert und automatisch mit den relevanten Gesetzesparagraphen verlinkt.
METRIX Beamline Offset Detection Code →
Offset-Bestimmung für die METRIXS-Beamline bei BESSY II mittels eines Deep-Learning-Surrogatmodells kombiniert mit einem genetischen Algorithmus.
SRF Electron Gun RL Optimization Code →
Deep-Reinforcement-Learning-System zur automatisierten Optimierung der Parameter der SRF-Elektronenkanone im Sealab (Helmholtz-Zentrum Berlin).
Time-of-Flight Signal Reconstruction Code →
Deep-Learning-Ansatz zur Entrauschung und Rekonstruktion von Time-of-Flight-Detektordaten bei fehlenden oder gestörten Messwerten.
X-ray Pole Figure Reconstruction Code →
Rekonstruktion unvollständiger Röntgenbeugungs-Polfiguren oligokristalliner Materialien mittels neuronaler Netze.
Bereit für das
nächste Projekt?
Projekt in Planung?
Ich freue mich auf spannende Herausforderungen rund um Agentic AI und RAG.
E-Mail schreiben