Felix B. - Maschinenstatus-Erkennung im industriellen 3D-Druck anhand von Infrarot-Bilddaten

Berlin, Deutschland

Erfahrungen

Okt. 2021 - Sept. 2023

2 Jahren

Maschinenstatus-Erkennung im industriellen 3D-Druck anhand von Infrarot-Bilddaten

Ausgangslage: Der Kunde hat Infrarotkameras in den Produktionsmaschinen installiert, um manuell zu überwachen.
Ziel: Den Prozess automatisiert überwachen, um Unregelmäßigkeiten in Live-Bildern zu erkennen.
Aktivitäten: Ich war in diesem Projekt als Machine-Learning-Entwickler und Projektkoordinator tätig:
Systematische Datenerfassung und -vorverarbeitung für die Machine-Learning-Algorithmen angeleitet.
Den Labeling-Prozess definiert und eine Schnittstelle zur Annotation der Datensätze implementiert.
Einen visuellen Deep-Learning-Algorithmus programmiert, um Verschmutzungen an Maschinen in der Live-Produktion zu erkennen.
Data-Augmentation-Techniken implementiert, um Maschinenheterogenität zu adressieren.
Ein containerisiertes Modell mit API-Endpunkten bereitgestellt, für den Einsatz in den Produktionsmaschinen.
Ein fünfköpfiges Projektteam koordiniert und vertreten, Präsentationen und Berichte erstellt.
Ergebnis: Ein produktionsbereites System bereitgestellt, das Bediener in Echtzeit über potenzielle Fehler informiert.
Stack:
PyTorch
Convolutional Neural Networks
docker
git
OpenCV
FastAPI
computer vision
pytorch-lightning
ipywidgets

Okt. 2021 - Sept. 2023

2 Jahren

Qualitätsvorhersage basierend auf Zeitreihendaten im Fertigungskontext

Ausgangslage: Eine Vielzahl von Sensoren erhebt Zeitreihendaten aus Produktionsmaschinen in hoher Frequenz.
Ziel: Muster in den Daten identifizieren, die mit der Endproduktqualität zusammenhängen.
Aktivitäten: Ich habe in diesem Projekt als Machine-Learning-Entwickler und Projektkoordinator gearbeitet:
Große Mengen an Zeitreihendaten analysiert und visualisiert.
Verschiedene Datenquellen erkundet, gefiltert und miteinander verknüpft, um konsistente Datensätze zu erstellen.
Datenpipelines und Modellierungsansätze konzipiert.
Ein Machine-Learning-System zur Qualitätsvorhersage im Fertigungskontext implementiert.
Verschiedene prädiktive Algorithmen getestet, darunter statistische Modelle und tiefe neuronale Netze.
Ergebnis: Qualitative Erkenntnisse gewonnen, um Prozessingenieure bei der Optimierung der Produktion zu unterstützen.
Stack:
PyTorch
CNNs / ROCKET model
data wrangling
git
time series classification
explainable AI

Mai 2021 - Sept. 2023

2 Jahren 5 Monaten

Berlin, Deutschland

Machine-Learning-Wissenschaftler

dida Machine Learning

Deep-Learning-Forschungsprojekte in Computer Vision und Zeitreihen durchgeführt.
Kommerzielle Machine-Learning-Software im Fertigungskontext implementiert.
Datenverarbeitungspipelines für den Einsatz in der Live-Produktion entwickelt.
Konzeption der Anwendung großer Sprachmodelle für Question Answering.
Ein fünfköpfiges Projektteam vertreten und organisiert.
Analysen und Visualisierungen großer Mengen unstrukturierter Daten erstellt.

Mai 2021 - Aug. 2023

2 Jahren 4 Monaten

Automatisierte Fragebeantwortung durch Abruf interner Dokumente

Ausgangslage: Mitarbeitende durchsuchen manuell interne Dokumentationen nach Informationen.
Ziel: Chatbot für Fragebeantwortung (QA) in die Kommunikationsplattform des Unternehmens integrieren.
Aktivitäten: Ich habe dieses Projekt als Machine-Learning-Scientist unterstützt:
Eine Demo für extraktive QA basierend auf einem bereitgestellten Dokument erstellt.
Ein Proof-of-Concept für automatische Fragebeantwortung (QA) mit semantischer Suche entwickelt.
Verarbeitungspipeline auf größere Mengen interner Dokumente erweitert, mit automatischem Dokumentenabruf und generativer QA durch große Sprachmodelle (LLMs).
Die Entwickler über aktuelle Fortschritte im NLP informiert.
Ergebnis: Responsiven Chatbot für dokumentbasierte extraktive QA allen Mitarbeitenden zur Verfügung gestellt.
Stack:
transformers
haystack
LLMs
document retrieval
semantic search
question answering
BERT
git
beautifulsoup4

Mai 2020 - Dez. 2023

3 Jahren 8 Monaten

Lisbon, Portugal

Schätzung und Analyse von Varianzspillover-Netzwerken in der akademischen Forschung

Ausgangslage: Bestehende Methoden zur Netzwerkschätzung funktionieren zuverlässig nur bei kleinen Datensätzen.
Ziel: Anwendung von Machine-Learning-Methoden zur Analyse großer Datenmengen aus Wirtschafts- und Finanzdaten.
Aktivitäten: Ich habe dieses Projekt als Ökonometrie-Forscher durchgeführt:
Verschiedene statistische Lernalgorithmen für multivariate Prognosen untersucht und verglichen.
Datensätze aus SQL-Datenbanken beschafft und eine automatisierte Vorverarbeitungspipeline eingerichtet.
Objektorientierten Code geschrieben, um cross-validierte, regularisierte Machine-Learning-Algorithmen auszuführen.
Umfangreiche statistische und ökonometrische Analysen durchgeführt, um die Ergebnisse empirisch zu untersuchen.
Forschungspapiere verfasst, die die Ergebnisse auf akademischem Standard präsentieren.
Ergebnis: Anerkanntes Paper in Quantitative Economics veröffentlicht, Folgeartikel in Begutachtung.
Stack:
pandas / numpy
time series forecasting
scikit-learn
python
SQL
glmnet
econometrics
vector auto-regression
networkx

Sept. 2017 - Feb. 2022

4 Jahren 6 Monaten

Lisbon, Portugal

Lehrassistent

Universidade Nova de Lisboa

Unterstützung bei Lehre und Bewertung von Masterkursen in der Finanzdatenanalyse.
Kursmaterialien, Aufgaben und Prüfungen erstellt.

Juli 2015 - Nov. 2015

5 Monaten

München, Deutschland

Praktikant im Bereich Quantitative Strategien

risklab / Allianz Global Investors

Datengetriebene Analysen zur Fondsperformance und Portfoliooptimierung durchgeführt.
Prototypen für Investmentstrategien in Matlab und VBA für Excel erstellt.
Zeitreihen mit regularisierten Regressionen und Szenariosimulationen modelliert.

März 2014 - Aug. 2014

6 Monaten

Münster, Deutschland

Praktikant im Projektmanagement

zeb Consulting

Präsentationen für das Senior Management erstellt, um ein IT-Projekt im Risikomanagement zu steuern.

Zusammenfassung

Spezialist für Machine Learning mit Erfahrung in kommerziellen und akademischen Projekten. Meine Hauptkompetenz liegt in der Umsetzung von KI-Projekten in den Bereichen Computer Vision, Zeitreihenanalyse und NLP mithilfe von Deep-Learning-Methoden.