23.10.2026 aktualisiert
Premiumkunde
nicht verfügbarinfo: nicht verfügbar bis 01.12.2026
AI Engineer | RAG Systems | LLM Pipelines | Machine Learning
Siegen, Deutschland
Siegen +25 km
Master in Mechatronik, Fokus AIÜber mich
Ich bin ein KI-Entwickler mit praktischer Erfahrung von mehr als 3 Jahren in der Entwicklung von produktionsreifen RAG-Systemen, LLM-Pipelines, agentenbasierten Workflows etc im Bereich Machine Learning. Aktuell bin ich bei der syntik GmbH fest angestellt und offen für neue KI-Projekte.
Skills
PythonMachine LearningAzure Machine LearningDeep LearningGenerative AITerraformArtificial Intelligence Markup Language (AIML)
RAG-Systeme und LLM-Pipelines
Entwurf und Bereitstellung von End-to-End-Systemen für die „Retrieval-Augmented Generation“ unter Verwendung von LangChain, LangGraph, Azure OpenAI und pgvector, einschließlich Pipelines zur Dokumentenerfassung, hybrider Suche mit „Reciprocal Rank Fusion“, Abfragezerlegung und encoderübergreifendem Reranking für die produktionsreife Dokumentensuche in Unternehmen.
Maschinelles Lernen und Deep Learning
Entwicklung von Modellen für maschinelles Lernen und Deep Learning, darunter CNNs, SVMs, LGBM-Regressoren und Modelle mit stochastischem Gradientenabstieg für Aufgaben wie Signalklassifizierung, Zustandsüberwachung und Regression auf Sensor-Zeitreihendaten, wobei hohe Genauigkeit und niedrige Fehlerraten erzielt werden.
Cloud & Infrastruktur (Azure)
Containerisierung und Bereitstellung von KI-Diensten unter Verwendung von Docker auf Azure Container Apps und App Service, gesichert durch Entra-ID-Authentifizierung und Managed Identity, wobei die Infrastruktur über Terraform verwaltet und die Überwachung mittels LangSmith-Tracing durchgeführt wird.
Python- und FastAPI-Entwicklung
Erstellung produktionsreifer Backend-Dienste und KI-Pipelines unter Verwendung von Python und FastAPI, einschließlich REST-APIs für RAG-Chatbots und Datenverarbeitungs-Workflows.
Signalverarbeitung
Implementierung von Signalverarbeitungspipelines unter Verwendung von Filterung, Hilbert-Transformationen und Chirp-Erkennung, um rauschrobuste Merkmale aus Ultraschalldaten für die Klassifizierung von Fledermausarten unter Bedingungen mit geringer Sicht zu extrahieren.
Natürliche Sprachverarbeitung & generative KI
Anwendung von NLP-Techniken und generativen KI-Modellen, einschließlich Transformers und Hugging-Face-Bibliotheken
Erfahrung
Berufserfahrung0 - 5 Jahre
Freelancer seit2025
Sprachen
DeutschGrundkenntnisseEnglischMuttersprache
Projekthistorie
Konzeption und Entwicklung einer KI-Plattform, die Ersatzteilanfragen eines Pumpenherstellers weitgehend automatisiert bearbeitet. Eingehende Anfragen aus E-Mail und Online-Shop werden automatisch erfasst und kategorisiert, die Seriennummer wird aus dem Text oder per Bilderkennung aus Fotos extrahiert. Das System gleicht Kundendaten mit dem ERP ab, prüft Kundenschutz, Exklusivitätsvereinbarungen und Embargos, ermittelt die benötigten Ersatzteile anhand von Stücklisten und erstellt ein versandfertiges Angebot mit Preisen, Nachlässen und Lieferzeiten. Die Lösung ist als hybride Architektur umgesetzt: Die Daten verbleiben in den On-Premise-Systemen des Kunden (ERP, DMS, internes Laufwerk), die KI-Services laufen in Microsoft Azure.
- Konzeption einer hybriden Systemarchitektur (On-Premise und Azure)
- Entwicklung von Schnittstellen zu ERP, DMS, E-Mail-Eingang, Online-Shop und internem Laufwerk
- Analyse und Aufbereitung historischer Aufträge, Stücklisten sowie Preis- und Konditionsdaten
- Aufbau der RAG-Pipeline mit Indexierung und semantischer Suche
- Extraktion von Seriennummern aus Texten und Fotos (Bilderkennung)
- Umsetzung der Prüf- und Entscheidungslogik (Kundenabgleich, Kundenschutz, Embargoprüfung)
- Automatisierte Teileermittlung und Angebotserstellung inkl. Lagerbestands- und Lieferzeitprüfung
- Entwicklung der Weboberfläche mit Login, Statusanzeige je Prozessschritt und Angebotsvorschau
- Test und Validierung mit realen Anfragen, iterative Optimierung
Konzeption und Entwicklung eines Empfehlungssystems für ein Beschichtungsunternehmen. Vertriebsmitarbeitende können Kundenanfragen per Freitext eingeben und erhalten passende Beschichtungslösungen aus früheren Aufträgen, inklusive Filtermöglichkeiten nach Kriterien wie Material, Verfahren oder Schichtdicke. Als Datengrundlage wurden die Excel-Auftragsdaten der letzten 20 Jahre bereinigt, vereinheitlicht und für die semantische Suche aufbereitet. Dadurch lassen sich Anfragen deutlich schneller bewerten und bewährte Lösungen gezielt wiederverwenden.
- Aufbereitung, Bereinigung und Strukturierung historischer Auftragsdaten aus Excel (20 Jahre)
- Entwicklung der Datenpipeline (ETL) und Überführung in eine Datenbank
- Aufbau der semantischen Suche mit Embeddings und Vektordatenbank
- Entwicklung der Empfehlungslogik inkl. Ranking und Filterfunktionen
- Entwicklung des Python-Backends und der REST-API
- Umsetzung einer Such- und Filteroberfläche für den Vertrieb
- Deployment und Betrieb in Microsoft Azure
Konzeption und Entwicklung eines sicheren, unternehmensinternen Inhouse Wissensdatenbank auf Basis von Microsoft Azure OpenAI. Mitarbeitende können über eine Chat-Oberfläche Fragen zu internen Dokumenten und Wissensbeständen stellen. Über eine Schnittstelle zu den lokalen Netzlaufwerken des Unternehmens werden Dokumente automatisch eingelesen, verarbeitet und in der Vektordatenbank indexiert. Die Antworten werden per Retrieval-Augmented Generation (RAG) aus den Unternehmensdaten erzeugt.
- Aufbau der RAG-Pipeline: Dokumentenaufbereitung, Chunking, Embeddings und Anbindung einer Vektordatenbank
- Integration von Azure OpenAI (GPT-Modelle) inkl. Prompt Engineering
- Entwicklung des Python-Backends und der REST-API
- Umsetzung der Chat-Oberfläche (Frontend)
- Deployment und Betrieb in Azure, CI/CD-Pipeline
- Benutzer-/Rechteverwaltung => Entra ID / SSO
- Entwicklung einer Schnittstelle zu lokalen Netzlaufwerken zur automatisierten Dokumentenübernahme und Synchronisierung