28.09.2026 aktualisiert
100 % verfügbar
Senior KI-Ingenieur und Softwarearchitekt
Siegen, Deutschland
Weltweit
Promotion in Informatik (Schwerpunkt Embedded AI) | Universität SiegenÜber mich
KI-Ingenieur & Softwarearchitect mit 7+ Jahren Erfahrung. Ich entwickle praxisnahe KI-Lösungen mit Python, LLMs, RAG, Computer Vision und Embedded AI von der Konzeption bis zur Umsetzung.
Skills
AI AgentsRAGLLMBedrockSageMakerLangChainAPIsKünstliche IntelligenzComputer VisionEmbedded SystemsFPGAGitHubPythonMachine LearningObjekterkennung
Ich bin Senior KI-Ingenieur und Softwarearchitekt mit Promotion in Informatik und Schwerpunkt Embedded AI. Ich entwickle KI-Systeme mit Python, Machine Learning, LLMs, RAG, Computer Vision und Embedded AI und begleite Projekte von der Datenaufbereitung und Modellentwicklung bis zur Integration und Validierung.
Ich unterstütze Sie gerne bei Projekten in den Bereichen:
- KI-Softwareentwicklung
- Entwicklung und Integration von Machine-Learning-Modellen
- LLM- und RAG-basierte Anwendungen
- AI Agents und agentische Workflows
- Computer Vision und Objekterkennung
- Speech Recognition und Keyword Spotting
- Embedded AI, Edge AI und TinyML
- Anomalieerkennung und Predictive Modeling
- KI für industrielle und sicherheitskritische Anwendungen
Zudem entwickle ich KI-Komponenten für konkrete Anwendungsfälle, z.B.:
- RAG-Systeme für technische Dokumentation und Wissenszugriff
- Lokale LLM-Anwendungen für vertrauliche Daten
- AI Agents zur Unterstützung und Automatisierung von Arbeitsabläufen
- Computer-Vision-Systeme zur Bild- und Objekterkennung
- Sprach- und Keyword-Spotting-Systeme für Embedded Hardware
- ML-Modelle für Anomalieerkennung, Klassifikation und Prognosen
- KI-Systeme für Sensor- und Zeitreihendaten
- On-Device-KI für ressourcenbeschränkte Systeme
Projekt-Highlights (Auswahl):
- Lokaler Fahrzeugassistent mit Wake-Word, Whisper, LLM, RAG, Computer Vision und Vitaldaten
- Embedded TinyML-Spracherkennung auf ESP32-P4 mit MFCC, INT8-Quantisierung und Hardware-in-the-Loop-Validierung
- ML-System zur Erkennung von Druckluftlecks aus Mehrkanal-Audiodaten
- KI-Modelle zur Erkennung von Komplikationen aus 273.283 realen Rettungseinsätzen mit anschließender Ausführung auf FPGA und Mikrocontroller
- Multimodale KI-Architektur für kontinuierliches Monitoring mit Wearables, individueller Baseline und RAG-basierten Berichten
- Computer-Vision-Systeme für Verkehrszeichen- und Hinderniserkennung unter Sensordrift
- Machine Learning & Deep Learning
- Entwicklung, Training und Evaluation von ML-Modellen
- Klassifikation, Regression, Anomalieerkennung und Prognosemodelle
- Explainable AI (XAI) und Modellinterpretation
- LLMs, RAG und AI Agents
- NLP, Speech Recognition und Audio Processing
- Computer Vision und Objekterkennung
- Sensorfusion und Zeitreihenanalyse
- Embedded AI, Edge AI und TinyML
- Echtzeit-Inferenz und On-Device AI
- Modelloptimierung und INT8-Quantisierung
- FPGA- und Mikrocontroller-Inferenz
- Hardware-in-the-Loop (HIL)
- Datenaufbereitung und Validierung
- Deployment und Integration von KI-Systemen
- APIs, Backend-Systeme und Softwarearchitektur
- Python
- PyTorch, TensorFlow / Keras, scikit-learn
- XGBoost, Random Forest
- Hugging Face
- Ollama / Qwen, Whisper
- LangChain / LangGraph, MCP
- FastAPI, Streamlit
- Docker, Git
- REST / WebSocket
- PostgreSQL / SQL
- YOLO / OpenCV
- Edge Impulse
- ESP32, FPGA, Raspberry Pi, Jetson
- CARLA
Website: https://alargon.de
Erfahrung
Berufserfahrung5 - 10 Jahre
Freelancer seit2026
Sprachen
DeutschverhandlungssicherEnglischMuttersprache
Projekthistorie
Projekt (WISES)
- Entwicklung von Machine-Learning-Verfahren zur Erkennung und Lokalisierung von Druckluftleckagen anhand realer akustischer Sensordaten aus einer Produktionsumgebung.
- Entwicklung von Simulationsmodellen, Bayesianischer Inferenz und informationstheoretischen Strategien zur intelligenten Auswahl von Messpositionen.
Projekt (ADSO)
- Entwicklung einer hybriden Computer-Vision-Architektur zur robusten Verarbeitung und Bewertung von Sensordaten in sicherheitskritischen Automotive-Anwendungen.
- Entwicklung und Evaluation von ML-Verfahren mit CNNs und YOLO zur Erkennung relevanter Verkehrssituationen und Analyse von Data Drift und Sensorfehlern.
Projekt (KIRETT)
- Entwicklung von Machine-Learning-Verfahren zur Erkennung gesundheitlicher Risiken und zur Echtzeitbewertung von Gesundheitszuständen aus Sensordaten.
- Entwicklung von KI-Modellen und Explainable-AI-Verfahren, um Vorhersagen nachvollziehbar zu machen und relevante Einflussfaktoren zu identifizieren.
- Entwicklung einer KI-basierten Pipeline für die automatische Verarbeitung von Gesundheitsdaten und Generierung strukturierter Berichte mit LLMs.
Projekt (MAPS)
- Entwicklung einer multimodalen KI-Pipeline zur Analyse von Verhaltens-, Sprach- und Sensordaten zur kontinuierlichen Auswertung von Gesundheitsdaten.
- Kombination von maschinellem Lernen, Daten aus Wearables, Sprachverarbeitung und LLMs mit RAG, um relevante Informationen zu integrieren und eine kontextbezogene Analyse zu ermöglichen.
Projekt 1:
- Entwicklung einer Embedded Speech AI Lösung auf ESP32 mit CNN, MFCC und quantisierten TinyML Modellen für zuverlässiges Keyword Spotting.
- Integration von Whisper ASR mit Embedded Hardware und Aufbau einer Sprachverarbeitung vom Mikrofon bis zur Spracherkennung.
Projekt 2:
- Entwicklung und Bewertung von GNN-basierten Verfahren zur Analyse von Finanz- und Sentimentdaten mit Out-of-Sample Evaluation.
- Durchführung von Experimenten zur Verbesserung und Bewertung von AI-Signalen für eine quantitative Trading-Anwendung.
Projekt 3:
- Entwicklung und Evaluation von Machine-Learning- und Simulationsverfahren zur akustischen Leckageerkennung in industriellen Umgebungen.
- Technische Konzeption, Prototyping, Modelloptimierung und Validierung von KI-Systemen für unterschiedliche reale Anwendungen.
- Entwicklung und Spezifikation automatisierter Testsysteme für Luftfahrtelektronik und deren Schnittstellen.
- Erstellung und Prüfung von Abnahmetests sowie technischen Anforderungen für Hard- und Software-Schnittstellen.
- Arbeit mit IBM DOORS zur strukturierten Verwaltung, Nachverfolgung und Dokumentation technischer Anforderungen.