Milos Nikolic - Senior KI/ML-Ingenieur

Q: Wo ist Milos ansässig?

Milos ist in London, Vereinigtes Königreich ansässig.

Q: Welche Sprachen spricht Milos?

Milos spricht folgende Sprachen: Englisch (Verhandlungssicher), Deutsch (Grundkenntnisse), Niederländisch (Grundkenntnisse) .

Q: Wie viele Jahre Erfahrung hat Milos?

Milos hat mindestens 7 Jahre Erfahrung. In dieser Zeit hat Milos in mindestens 3 verschiedenen Rollen und für 3 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 5 Monate . Beachten Sie, dass Milos möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.

Q: Für welche Rollen wäre Milos am besten geeignet?

Basierend auf der jüngsten Erfahrung wäre Milos gut geeignet für Rollen wie: Senior AI/ML Engineer, Data Scientist, Principal ML Consultant .

Q: Was ist das neueste Projekt von Milos?

Die neueste Position von Milos ist Senior AI/ML Engineer bei Meta AI .

Q: Für welche Unternehmen hat Milos in den letzten Jahren gearbeitet?

In den letzten Jahren hat Milos für Meta AI und Databricks gearbeitet.

Q: In welchen Industrien hat Milos die meiste Erfahrung?

Milos hat die meiste Erfahrung in Industrien wie Informationstechnologie , Bank- und Finanzwesen und Regierung und Verwaltung .

Q: In welchen Bereichen hat Milos die meiste Erfahrung?

Milos hat die meiste Erfahrung in Bereichen wie Informationstechnologie , Business Intelligence und Produktentwicklung . Milos hat auch etwas Erfahrung in Forschung und Entwicklung .

Q: In welchen Industrien hat Milos kürzlich gearbeitet?

Milos hat kürzlich in Industrien wie Informationstechnologie gearbeitet.

Q: In welchen Bereichen hat Milos kürzlich gearbeitet?

Milos hat kürzlich in Bereichen wie Informationstechnologie , Business Intelligence und Produktentwicklung gearbeitet.

Recommended expert

London, Vereinigtes Königreich

Erfahrungen

Jan. 2023 - Juli 2025

2 Jahren 7 Monate

London, Vereinigtes Königreich

Senior AI/ML Engineer

Meta AI

Agentic AI Plattform (V3-Architektur): Entwarf und implementierte ein produktionsreifes Multi-Agenten-System mit 5-stufiger Orchestrierung (Planner Actioner Executor Feedback Evaluator); erreichte 85% Erfolgsrate pro Aufgabe (+20% gegenüber V2) durch modulare Pipeline und selbstkorrigierende Feedback-Schleifen.
RAG-Retrieval-System: Entwickelte eine End-to-End-Abruf-Pipeline mit Sliding-Window-Chunks (50 Zeilen + 10 Zeilen Überlappung), hybridem BM25 + Vektorsuche und paralleler LLM-Zusammenfassung; verbesserte die Treffergenauigkeit um 85% und reduzierte Halluzinationen um 35% durch semantische Indexierung.
Enterprise-Connectoren: Entwickelte Confluence- und Jira-Integrationen mit vollständiger Authentifizierung, Webhook-Unterstützung und Fehlerbehandlung; ermöglichte Echtzeit-Updates der Wissensdatenbank und plattformübergreifende Datensynchronisation für den Agentenkontext.
LLM-as-Judge-Bewertungsframework: Implementierte automatisiertes Bewertungssystem mit Goldstandard-Testfällen, Turnier-Scoring und Regressionstests; ging von subjektiven 'sieht gut aus'-Bewertungen zu quantitativer Auswertung mit über 15 Benchmark-Konfigurationen in 6 Aufgaben-Kategorien über.
Ranking-Plattform im Web-Maßstab: Erstellte TensorFlow/JAX/TFX-Pipelines auf Vertex AI + Dataflow + BigQuery; steigerte die CTR um 18% bei über 100 Mio. Sitzungen/Monat; senkte die p95-Latenz um 35% (≈210ms→136ms) durch Redesign des Feature Stores und harte Negative.
Datenschutzfreundliche Personalisierung: Einführung von föderiertem Lernen + DP für PT/ES/EN-Märkte; Gewährleistung der Offline-/Online-Parität (AUC/PR, Kalibrierung) und automatische Drift-Warnungen.
Experimentierungssuite: Standardisierte A/B- und Interleaving-Tests; wiederverwendbare Metriken/Dashboards verkürzten die Entscheidungszeit von 2–3 Wochen auf <5 Tage.
GenAI/RAG-Bewertung: Entwickelte einen Offline-Evaluator und Guardrails, die Halluzinationen um ~35% reduzierten und die Antwort-F1 um 7 Punkte steigerten, während die p95-Latenz um 20% sank.
ML-Zuverlässigkeitsprogramm: Betrieb von Kubernetes/Docker-Microservices mit Modell-Registry, Shadow/Canary-Deployments und Rollbacks; Aufrechterhaltung eines Inferenz-SLO von 99,9%, MTTR <10 Min; Mentoring von 6 DS/ML-Ingenieuren und Zusammenarbeit mit 4 Produktteams (BR/US).

Feb. 2020 - Dez. 2022

2 Jahren 11 Monate

Amsterdam, Niederlande

Data Scientist

Databricks

SageMaker Churn- & Propensity-Plattform: Produktionsreife Modelle auf SageMaker mit Model Registry, CI/CD und Blue-Green-Deployment bereitgestellt, wodurch die Abwanderung um 22% bei drei Pilotkohorten (ca. 45k Nutzer) sank; inklusive Monitoring über MLflow und benutzerdefinierte Drift-Detektoren.
Echtzeit-Lakehouse: Entwarf eine Datenpipeline mit S3, Glue, Athena und EMR, die über 10 TB pro Tag verarbeitete; implementierte Streaming-Features mit Kafka und Spark, um rund 1,8 k QPS Lambda/Fargate-Inferenz zu ermöglichen.
LATAM-Regulierte Vorlagen: Lieferte Referenzarchitekturen, die die Time-to-Production von etwa 3 Wochen auf 6 Stunden verkürzten und die Infrastrukturkosten um 18% senkten durch verbesserte Observability.
Model Governance: Implementierte Feature Lineage, PII-Schutzmaßnahmen und Modellkalibrierung (ECE, Brier), um eine konsistente und prüfbare Performance sicherzustellen.

Dez. 2017 - Nov. 2019

2 Jahren

Berlin, Deutschland

Principal ML Consultant

Capgemini Invent

Enterprise-Labeling-Plattform: Flask/React-System zum Training und Retraining von CV/NLP-Modellen; verkürzte die Durchlaufzeit für Datensätze um 50% (4 Wochen → 2 Wochen) für eine Tier-1-Bank und einen öffentlichen Auftraggeber.
Anti-Spoofing & Fehlerüberwachung: Setzte scikit-learn/PyTorch-Modelle und eine zentrale Flask/DB2-Error-API ein; verringerte kritische Vorfälle um 23% QoQ.
Serverless Identity: Entwickelte Nutzerverwaltung mit Cloud Functions + Cloud SQL; verkürzte die Bearbeitungszeit für Zugangstickets um 30% und vereinfachte Audits.

Industrie Erfahrung

Sehen Sie, wo dieser Freiberufler den Großteil seiner beruflichen Laufbahn verbracht hat. Längere Linien stehen für umfangreichere praktische Erfahrung, während kürzere Linien auf gezielte oder projektbezogene Arbeit hindeuten.

Erfahren in Informationstechnologie (5.5 Jahre), Bank- und Finanzwesen (2 Jahre) und Regierung und Verwaltung (2 Jahre).

Informationstechnologie

Bank- und Finanzwesen

Regierung und Verwaltung

Geschäftsbereich Erfahrung

Die folgende Grafik bietet einen Überblick über die Erfahrungen des Freiberuflers in verschiedenen Geschäftsbereichen, berechnet anhand abgeschlossener und aktiver Aufträge. Sie zeigt die Bereiche, in denen der Freiberufler am häufigsten zur Planung, Umsetzung und Erzielung von Geschäftsergebnissen beigetragen hat.

Erfahren in Informationstechnologie (7.5 Jahre), Business Intelligence (3 Jahre), Produktentwicklung (2.5 Jahre) und Forschung und Entwicklung (2.5 Jahre).

Informationstechnologie

Business Intelligence

Produktentwicklung

Forschung und Entwicklung

Zusammenfassung

Senior KI/ML-Ingenieur mit über 10 Jahren Erfahrung in der Bereitstellung produktionsreifer KI, die messbare Geschäftsergebnisse liefert.

Umfang: Agentic AI, GenAI/RAG, Ranking, NLP/CV und groß angelegte Experimente; Aufbau kalibrierter, überwachter und driftersicherer ML-Systeme (AUC/PR, ECE).

Plattformen: Python; TensorFlow/PyTorch; AWS (SageMaker) & GCP (Vertex AI); Kubernetes/Airflow/MLflow; Feature Stores; 99,9% SLO für Echtzeit-Inferenz.

Ergebnisse: +18% CTR im Web-Maßstab, -35% p95-Latenz, -22% Abwanderung, -18% Infrastrukturkosten.

Kern-Stack: Python (10+), TensorFlow (6+), PyTorch (5+), Scikit-learn (9+), XGBoost/LightGBM (7+), Transformers/HuggingFace (5+), LangChain/RAG (3+), Vektor-Datenbanken (FAISS, Pinecone, PostgreSQL) (3+), Airflow/MLflow/Kubernetes/Docker (6+), AWS (SageMaker, S3, Glue, Athena, EMR, Lambda, Fargate) (4+), GCP (Vertex AI, Dataflow, BigQuery) (3+), Spark/Kafka (5+), Feature Store/TFX (3+), SQL/Snowflake/BigQuery (7+), FastAPI/Flask (6+), REST/GraphQL (5+), CI/CD (Jenkins, GitHub Actions) (5+), NLP (8+), Computer Vision (7+), Föderiertes Lernen & verantwortungsvolle KI (2+).

Fähigkeiten

Agentic Ai & Orchestrierung: Multi-agent (Planner Tools Critic)-tool-routing; Kurz-/langzeitspeicher; Selbstreflexion; Guardrails; Llm-as-judge
Rag & Retrieval: Hybrid Bm25 + Dense; Cross-encoder-reranking; Query-intent-routing; Semantische Chunking; Vektorspeicher (Faiss, Pinecone)
Serving & Systeme: Ray Serve; Nvidia Triton; Gpu-inferenz; Fastapi-microservices; Verteiltes Training; Api-design; Kubernetes/docker
Mlops & Evaluation: Mlflow; Modell-registry; Ci/cd; Feature Stores; Monitoring & Drift/bias; Prometheus/opentelemetry
Data & Streaming: Spark; Kafka; Redis; Sql; Hl7/fhir-pipelines
Cloud & Infra: Aws (Sagemaker, Lambda, S3); Gcp (Vertex Ai, Bigquery); Azure (Azure Ml)
Datenbanken & Data Warehouses: Postgresql; Azure Cosmos Db; Dynamodb; Snowflake; Bigquery
Sprachen & Frameworks: Python, C++, Java, Javascript/typescript; React (Typescript); Fastapi; Flask; Rest/graphql

Sprachen

Englisch

Verhandlungssicher

Deutsch

Grundkenntnisse

Niederländisch

Grundkenntnisse

Ausbildung

Aug. 2013 - Juni 2015

Nanyang Technological University (NTU)

Master of Science in Informatik · Informatik · Singapur

Aug. 2009 - Juni 2013

Nanyang Technological University (NTU)

Bachelor of Science in Informatik · Informatik · Singapur

Profil

Erstellt

Oktober 2025

Sie suchen Freelancer?Passende Kandidaten in Sekunden!

FRATCH GPT testen

Frequently asked questions

Sie haben Fragen? Hier finden Sie weitere Informationen.

Wo ist Milos ansässig?

Milos ist in London, Vereinigtes Königreich ansässig.

Welche Sprachen spricht Milos?

Milos spricht folgende Sprachen: Englisch (Verhandlungssicher), Deutsch (Grundkenntnisse), Niederländisch (Grundkenntnisse).

Wie viele Jahre Erfahrung hat Milos?

Milos hat mindestens 7 Jahre Erfahrung. In dieser Zeit hat Milos in mindestens 3 verschiedenen Rollen und für 3 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 5 Monate. Beachten Sie, dass Milos möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.

Für welche Rollen wäre Milos am besten geeignet?

Basierend auf der jüngsten Erfahrung wäre Milos gut geeignet für Rollen wie: Senior AI/ML Engineer, Data Scientist, Principal ML Consultant.

Was ist das neueste Projekt von Milos?

Die neueste Position von Milos ist Senior AI/ML Engineer bei Meta AI.

Für welche Unternehmen hat Milos in den letzten Jahren gearbeitet?

In den letzten Jahren hat Milos für Meta AI und Databricks gearbeitet.

In welchen Industrien hat Milos die meiste Erfahrung?

Milos hat die meiste Erfahrung in Industrien wie Informationstechnologie, Bank- und Finanzwesen und Regierung und Verwaltung.

In welchen Bereichen hat Milos die meiste Erfahrung?

Milos hat die meiste Erfahrung in Bereichen wie Informationstechnologie, Business Intelligence und Produktentwicklung. Milos hat auch etwas Erfahrung in Forschung und Entwicklung.

In welchen Industrien hat Milos kürzlich gearbeitet?

Milos hat kürzlich in Industrien wie Informationstechnologie gearbeitet.

In welchen Bereichen hat Milos kürzlich gearbeitet?

Milos hat kürzlich in Bereichen wie Informationstechnologie, Business Intelligence und Produktentwicklung gearbeitet.

Was ist die Ausbildung von Milos?

Milos hat einen Master in Informatik from Nanyang Technological University (NTU) und einen Bachelor in Informatik from Nanyang Technological University (NTU).

Wie ist die Verfügbarkeit von Milos?

Die Verfügbarkeit von Milos muss bestätigt werden.

Wie hoch ist der Stundensatz von Milos?

Der Stundensatz von Milos hängt von den spezifischen Projektanforderungen ab. Bitte verwenden Sie die Meet-Schaltfläche im Profil, um ein Meeting zu planen und die Details zu besprechen.

Wie kann man Milos beauftragen?

Um Milos zu beauftragen, klicken Sie auf die Meet-Schaltfläche im Profil, um ein Meeting anzufragen und Ihre Projektanforderungen zu besprechen.

Durchschnittlicher Tagessatz für ähnliche Positionen

Die Tagessätze basieren auf aktuellen Projekten und enthalten keine FRATCH-Marge.

1000

750

500

250

⌀ Markt: 750-910 €

Die angegebenen Tagessätze entsprechen der typischen Marktspanne für Freiberufler in dieser Position, basierend auf aktuellen Projekten auf unserer Plattform.

Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.