Principal (Datenwissenschaftler/Dateningenieur/Gen AI-Ingenieur)

Konzipierte eine agentenbasierte, Echtzeit-Angebotsorchestrierungs-Engine, bei der spezialisierte Agenten (Retrieval, Preisgestaltung/Optimierung und Richtlinien/Guardrails) zusammenarbeiten, um Angebote über Kundenkontaktpunkte zu personalisieren. Das System nutzt RAG mit FAISS auf Delta Lake und latenzarmes Databricks Model Serving, um Entscheidungen spontan zu unterstützen und Partnerintegrationen zu ermöglichen; in Zusammenarbeit mit PMs und kommerziellen Stakeholdern wurde die Roadmap entwickelt und neue Agentenmuster für die Produktion bewertet.

Entwarf einen agentenbasierten Datenqualitäts-Service, der Schemaerkennung, Entitätsnormalisierung und Validator-/Ausnahmebehandlungs-Agenten orchestriert, um Multi-Retailer-SKU-Feeds im großen Maßstab zu bereinigen. Modellaufrufe wurden in PySpark UDFs für verteilte Inferenz eingebunden, automatisiert über Databricks Workflows und CI/CD, wodurch eine nahezu Echtzeit-Bereitschaft für nachgelagerte Agentenentscheidungen in Liefer- und Katalogprozessen ermöglicht wurde.

Entwickelte eine multimodale, agentenbasierte Extraktions-Pipeline, in der Vision-, Parsing- und Compliance-Agenten zusammenarbeiten, um Marke, Verpackung und Volumen aus gescannten Bildern zu extrahieren, mithilfe von Claude 3 Sonnet mit Swin Transformer-Encodern. Die Orchestrierung erfolgte asynchron via Azure Event Hub, mit angereicherten Ausgaben, die in Delta Lake für die Nutzung durch Suche, Empfehlungen und nachgelagerte operative Agenten gespeichert werden.

Implementierte einen GS1-Taxonomie-Klassifizierungsdienst, der auf kooperierenden Agenten für Inferenz, Driftüberwachung und Auto-Retraining-Governance basiert. Falcon 180B (LoRA-getunt) treibt den Klassifizierer an; eine Batch-Pipeline auf Databricks löst Modellaktualisierungen aus, wenn die Genauigkeit unter Schwellenwerte fällt, und unterstützt so verlässliche Merchandising-Analysen und agentengetriebene Entdeckungen.

Erstellte einen hybriden Agenten-Workflow, in dem ein Retrieval-Agent Kandidatentreffer über Embeddings liefert und ein Reasoning-/Verifizierungs-Agent (Mixtral 8x7B) die endgültige Zuordnung von Kassenbeleg zu SKU überprüft. Integration in eine Streaming-Databricks-Pipeline zur Unterstützung nahezu Echtzeit-Verkaufsprozesse und Ausnahmebehandlung über Kundenkontaktpunkte.

Aufbau einer multimodalen Attribut-Inferenz-Pipeline, strukturiert als kooperierende Vision-Language-, Regel-/Konsistenz- und Compliance-Agenten, um NutriScore, Nährwertangaben und Verpackungstypen aus Namen und Bildern mithilfe von LLaMA 3-8B mit CLIP-Embeddings zu befüllen. Entworfen für schnelle Feedbackschleifen, damit nachgelagerte Agenten den angereicherten Produktdatensätzen vertrauen und darauf zugreifen können.

Entwickelte ein GenAI-gesteuertes Orchestrierungssystem, das Rezepte von mehreren Websites einliest, Zutaten durch strukturierte Extraktions-Agenten parst und dynamisch mit Echtzeit-Händlerangeboten über Tagging-Agenten verknüpft. Gestaltet als Multi-Agenten-Workflow, in dem Retrieval-Agenten potenzielle Angebote identifizieren, semantische Reasoning-Agenten Zutaten-Angebot-Zuordnungen validieren und Business-Rule-Agenten die Einhaltung sicherstellen. Integration in Kundenkontaktpunkte, sodass Nutzer direkt auf passende Angebote klicken können, was zu zusätzlichem Umsatz und Partnererlösen führt.

Entwickelte und implementierte ein Random-Forest-Modell auf AWS SageMaker, um die Temperaturen von IoT-Geräten in Gewächshäusern zu kalibrieren. Nutze physikbasierte Merkmale und erreichte eine 20%ige Verbesserung der Vorhersagegenauigkeit für die Echtzeitüberwachung von 8000 Geräten.

Entwarf ein KI-gestütztes Bestandsmanagementsystem unter Einsatz von Zeitreihenanalysen zur Bedarfsvorhersage und Automatisierung von Nachschubprozessen. Verbesserte Bestandsgenauigkeit um 30%, verringerte Ineffizienzen und passte die Lagerbestände an dynamische Einzelhandelsanforderungen an.

Entwickelte ein KI-gesteuertes Qualitätssicherungssystem mit Computer Vision zur Fehlererkennung und erzielte eine Genauigkeit von 98%. Reduzierte Produktionsfehler um 35%, gewährleistete Einhaltung von Produktionsstandards und steigerte die Effizienz.

Entwarf ein inhaltsbasiertes Empfehlungssystem für personalisierte Vorschläge zu Bankprodukten, steigerte die Produktverkäufe um 20% und verbesserte die Kundenzufriedenheit durch datenbasierte Insights.

Entwickelte einen interaktiven Chatbot für Finanzprodukt-Empfehlungen mit IBM Watson Assistant und verbesserte das Kundenengagement um 30% durch eine benutzerfreundliche, auf einer Website gehostete Oberfläche.

Erstellte eine Predictive Scorecard mit logistischer Regression und Lift-Charts zur Identifikation von Kunden mit hoher Kreditwahrscheinlichkeit und erhöhte die Kreditakquisitionsrate um 25% durch zielgerichtetes Marketing.

Prognostizierte monatliche Verkaufszahlen mit fortgeschrittenen Zeitreihenmodellen wie ARIMA und LSTM und erreichte eine Vorhersagegenauigkeit von 95%, um die strategische Planung auf Händlerebene zu optimieren.

Schätzte individuelle medizinische Kosten mit Ridge-, Lasso- und Elastic-Net-Regressionen und verbesserte die Genauigkeit der Kostenschätzung um 15% für Policenpreisgestaltung und Outreach-Strategien.

Setzte KI-gesteuerte Modelle zur Nachfragevorhersage und Bestandsoptimierung ein, senkte die Betriebskosten um 25% und verbesserte die Logistikeffizienz in der Lieferkette.

Entwickelte einen KI-gestützten Chatbot mit GPT-basierter NLP für effizientes Anfragehandling, verkürzte die Antwortzeiten um 40% und verbesserte das Kundenerlebnis auf E-Commerce-Plattformen.