Fares Kallel - Wissenschaftlicher Mitarbeiter – KI & Computer Vision

Berlin, Deutschland

Erfahrungen

Jan. 2023 - Juli 2025

2 Jahren 7 Monaten

Berlin, Deutschland

Entwicklung und Implementierung einer Echtzeit-Wahrnehmungspipeline mit YOLOv7 auf Time-of-Flight-(ToF)-Sensordaten, die Live-Streaming, Inferenz und On-Frame-Visualisierung zur Passagiererkennung ermöglicht.
Feintuning und Bewertung mehrerer State-of-the-Art-Monokular-Tiefenschätzmodelle für die automatische Passagierzählung (APC) sowie Entwicklung eines hybriden Tiefenmodells, das die Tiefengenauigkeit in anspruchsvollen Szenenbereichen verbesserte.
Nachgewiesen, dass modellbasierte Tiefenkarten die Rohsensortiefe für APC-Aufgaben in mehreren Datensätzen übertreffen und so zu messbaren Verringerungen der Zählfehler beitragen.

Jan. 2022 - Dez. 2022

1 Jahr

Berlin, Deutschland

Untersuchung von Methoden zur Anomalieerkennung in biomedizinischen Sensordaten und Bewertung frühphasiger modellbasierter Erkennungsansätze.
Prototypische Umsetzung von Signalverarbeitungs- und Analyse-Workflows in Python mit PyTorch und NumPy zur Unterstützung interner Forschungsexperimente.

März 2021 - Dez. 2021

10 Monaten

Berlin, Deutschland

Extrahierte und gestaltete eine breite Palette lexikalischer, semantischer und syntaktischer Merkmale für die Bewertung der Textkomplexität im Deutschen mithilfe spaCy-basierter NLP-Pipelines.
Entwickelte regressionsbasierte Lesbarkeitsvorhersagemodelle und unterstützte die Auswahl der Merkmale, die Modellevaluation und die Analyse der Datensätze.
Co-Autor eines peer-reviewten Artikels auf der LREC 2022 (Subjective Text Complexity Assessment for German), mit Beiträgen zum Feature-Design, zu Modellierungsexperimenten und zur Interpretation der Ergebnisse.

Mai 2019 - März 2021

1 Jahr 11 Monaten

Karlsruhe, Deutschland

Mitarbeit an frühen Phasen von Software-Forschungsprojekten, einschließlich UI-Komponenten, Backend-Logik und sicherheitsrelevanten Modulen unter Verwendung von Java und modellbasierten Entwicklungstools.

KI-Ingenieur mit breitem Hintergrund in angewandtem Machine Learning, der Forschungserfahrung mit Echtzeit-Deployments kombiniert.
Erfahrung in Tiefenschätzung, sensorbasierter Wahrnehmung und NLP/medizinischer KI, unterstützt durch starke akademische Leistungen (zwei Abschlussarbeiten mit Note 1,0).
Nachgewiesene Erfolge beim Feintuning von State-of-the-Art-Modellen und bei der Umsetzung von Forschungsansätzen in praktische KI-Systeme und Proofs of Concept in Forschung und Industrie.

Programmierung: Python, C++, Bash, Sql, Git, Linux
Deep Learning: Pytorch, Tensorflow, Huggingface (Transformers, Diffusers), Scikit-learn, Numpy, Pandas, Opencv, Pytorch3d
Ki-bereiche & Methoden: Computer Vision (Monokulare Tiefenschätzung, 3d-visualisierung, Objekterkennung), Generative Modellierung (Diffusionsmodelle, Flow Matching Models, Vaes, Gans), Nlp (Merkmalextraktion, Lesbarkeitsmodellierung), Bildverarbeitung, Echtzeit-wahrnehmung, Transfer Learning, Feintuning, Prompt Engineering
Mlops & Tools: Mlflow, Wandb, Docker, Fastapi, Pytest, Vscode
Cloud & Infrastruktur: Aws (Ec2, S3, Iam, Lambda, Ecr), Kubernetes, Postgresql, Gstreamer