Angewandte ML-Entwicklung · Bioinformatik
Ich entwickle, evaluiere und deploye Machine-Learning-Produkte – von wissenschaftlichen Prototypen bis zu getesteten APIs und produktiven Cloud-Anwendungen.
Ausgewählte Projekte · 2024—2026
Fünf Projekte zeigen meinen Weg von der Forschungsfrage über ein evaluiertes Modell bis zur ausgelieferten Software.
Eine Full-Stack-Plattform für Kraftspektroskopie mit integriertem interaktivem Demo, FastAPI- und Streamlit-Anwendungen, authentifizierten MCP-Tools sowie einem begrenzten autonomen Agenten, der Live-Scandaten mit lokalem RAG verbindet. Deployment mit Docker und automatisierter Bereitstellung auf AWS.
Python · FastAPI · MCP · Agents SDK · RAG · AWS
Eine balanceorientierte Approximation für leakage-bewusstes Dataset-Splitting. Sie reduziert den Optimierungsaufwand bei erhaltener Split-Qualität und wurde auf vier molekularen ML-Benchmarks evaluiert.
Python · RDKit · scikit-learn · ILP
Fine-Tuning von Speech Transformern zur Erkennung von 22 indischen Sprachen in einem Low-Resource-Szenario; sprecherabhängige Fehlermuster wurden mit Per-Speaker-Evaluation und Embedding-Analysen untersucht.
PyTorch · Transformers · MMS · XLS-R
Der Klassifikations-Workstream eines dreiköpfigen Demand-Modelling-Projekts: ein Ensemble für unausgewogene Klassen, Erklärbarkeit für jedes Modell und strukturierte Analyse ordinaler Fehler.
CatBoost · XGBoost · Random Forest · SHAP
Ein reproduzierbarer Vergleich von Segmentierungsverfahren mit quantitativer Evaluation und qualitativer Fehleranalyse in anspruchsvollen Bildregionen.
Python · scikit-image · OpenCV
Über mich · Die Verbindung
Mein Hintergrund liegt dort, wo komplexe Daten auf leistungsfähige Computersysteme treffen. Mich interessiert, was ein Modell lernt, wo es scheitert und ob andere es zuverlässig ausführen können.
Das bedeutet saubere Experimente, ehrliche Evaluation, nützliche Schnittstellen und Deployment-Praktiken, die ein Projekt über das Notebook hinausbringen. Ich suche eine ML- / AI-Engineering-Rolle, in der ich Systeme mit messbarem realem Nutzen entwickeln kann.
Werdegang
Skalierung von leakage-bewusstem Dataset-Splitting für große ML-Datensätze unter Prof. Dr. Olga Kalinina.
Vertiefung in Machine Learning, Informatik und Lebenswissenschaften.
Entwicklung einer Churn-Prediction-Pipeline für mehr als 10.000 Transaktionen und Integration der Modellergebnisse in die Bestandsplanung.