Murad A.
KI-Ingenieur
Erfahrungen
Sept. 2024 - Mai 2025
9 MonatenParis, Frankreich
KI-Ingenieur
Eclevar Medtech
- Eine klinische Beratungsassistenz auf GCP (Vertex AI und Cloud Run) entwickelt, die während der Besuche leitlinienbasierte Antworten liefert. Pilotprojekte verkürzten die Suchzeit von Minuten auf Sekunden und verringerten die Nachbearbeitung der Dokumentation um etwa 25–35%.
- Medizinische Spracherkennung (ASR) produktiv gesetzt, indem Whisper und Wav2Vec2 auf pseudonymisierten Audiodaten mit VAD und fachlichen Lexika feinabgestimmt wurden. Die Wortfehlerrate bei verrauschten Klinikaufnahmen verbesserte sich um sechs bis acht Prozentpunkte und die Echtzeit-Latenz wurde stabil.
- LLMs (Gemini, GPT, Claude, Llama) für SOAP-Format-Zusammenfassungen, Medikamenten- und Allergieextraktion sowie Risikohinweise integriert. RAG über einen geprüften Korpus eingesetzt, um Antworten mit Quellenangaben zu untermauern.
- Strukturierte Reasoning-Prompts wie Chain of Thought (COT) und Schritt-für-Schritt-Aufschlüsselung während Entwicklung und Evaluation verwendet, um das klinische Denken und die Extraktionsgenauigkeit zu verbessern. In der Produktion wurden Begründungen kurz gehalten und Zwischenschritte verborgen, um die Privatsphäre zu schützen und geringe Latenz zu gewährleisten.
- Guardrails implementiert, darunter Prompt-Checks, Zitationsanforderungen, PHI-Bereinigung und Ablehnungsrichtlinien. Prompts und Antworten mit PII-Hashing protokolliert, um GDPR-Anforderungen zu erfüllen.
- Evals und Observability mit RAGAS, aufgabenspezifischem EM/F1 und einer schlanken UI für menschliche Bewertungen eingerichtet. Regressions verhindert und sichere A/B-Versionen ausgeliefert. Die mittlere Latenz sank um etwa 30% durch quantisierte Inferenz mit vLLM und Streaming der Antworten.
- Prototypen mit Containern, CI/CD, Canary-Releases und Drift-Monitoring in Produktion überführt. Datenflüsse und DPIA-Materialien für Compliance dokumentiert.
März 2024 - Sept. 2024
7 MonatenDeutschland
Masterarbeit - Forschung im Bereich Biomedical NLP
Friedrich-Schiller-Universität Jena
- Angewandte Forschung zu Retrieval-Augmented Generation (RAG) für biomedizinisches Question Answering durchgeführt, dabei über 100 wissenschaftliche Publikationen als Quellenmaterial verwendet.
- Dichte Retrieval-Pipelines mit FAISS aufgebaut und optimiert, um Präzision und Recall bei komplexem biomedizinischem Textverständnis zu verbessern.
- Evaluationsabläufe mit RAGAS entworfen und starke Ergebnisse in der Treue und kontextuellen Präzision der generierten Antworten erzielt.
März 2023 - Aug. 2024
1 Jahr 6 MonatenDeutschland
KI-Ingenieur (NLP/LLMs)
Incowia GmbH
- Eine Rechnungs-Extraktionspipeline bereitgestellt, die gescannte PDFs mittels OCR, LayoutLMv3 und einem LLM-Fallback für Ausreißer in normalisierte Einzelposten umwandelt, um den manuellen Prüfaufwand zu reduzieren und das Buchen zu beschleunigen.
- BERT-basierte NER für Lieferanten, Adressen, USt-IdNr., IBAN und Summen feinabgestimmt. Über 90% F1 auf einem versionierten Goldstandard erreicht und Formatierungsfehler mit regelgestützter Nachbearbeitung reduziert.
- Tabellen und Einzelposten mit struktur-aware Modellen und Confidence Gating extrahiert. Für komplexe mehrseitige Rechnungen Llama oder Mistral als Fallback-Parser eingesetzt, um Recall zu steigern ohne Anstieg von False Positives.
- Kosten und Latenz durch dynamisches Batching, Mixed Precision, sichere 4-Bit-Quantisierung und Dokument-Caching gesenkt. Stabile p95-Latenz unter Last gehalten und GPU-Stunden reduziert.
- Daten- und Evaluierungsstandards formell festgelegt mit klaren Annotation-Guidelines, Inter-Annotator-Agreement-Checks und CI-Tests für EM/F1, um Qualitätsrückschritte zu verhindern.
- Mit Produkt- und Operations-Teams zusammengearbeitet, um Fehlermodi wie verzerrte Scans, Stempelüberlagerungen und unvollständige Tabellen zu priorisieren. Korrekturen zurück in Training und Heuristiken eingespeist für kontinuierliche Qualitätssteigerungen.
Jan. 2022 - Feb. 2023
1 Jahr 2 MonatenDeutschland
Deep-Learning-Ingenieur (HiWi)
Max Planck Institute
- Eine Objekterkennungs-Pipeline mit SAM und GroundingDINO entwickelt, die die Klassifikation biologischer Proben mit über 90% Präzision verbessert.
- Die Erkennung von Pflanzenarten mit ResNet-50 optimiert, die Leistung von 85% auf 93% gesteigert und experimentelle Arbeitsabläufe beschleunigt.
Zusammenfassung
KI-Ingenieur, spezialisiert auf große Sprachmodelle (LLMs) und Konversations-KI.
Erfahrungen im Aufbau von KI-gesteuerten Self-Service-Systemen, der Automatisierung von kundenorientierten Workflows und der Bereitstellung von produktionsreifen NLP-Lösungen auf Cloud-Plattformen.
Fähig, Technologie und Geschäftsergebnisse zu verbinden, mit einer nachweislichen Erfolgsbilanz bei der Effizienzsteigerung, der Verringerung manueller Arbeit und der Verbesserung der Benutzererfahrung.
Sprachen
Paschtu
MutterspracheUrdu
MutterspracheEnglisch
VerhandlungssicherDeutsch
GrundkenntnisseAusbildung
Okt. 2020 - Juni 2024
Technische Universität Ilmenau
M.Sc., Forschung · Computer- und Systemtechnik · Ilmenau, Deutschland
Okt. 2014 - Juni 2018
UET Peshawar
B.Sc. · Computer-Systemtechnik · Peshawar, Pakistan
Sie suchen Freelancer?Passende Kandidaten in Sekunden!
FRATCH GPT testenWeitere Aktionen
Ähnliche Freelancer
Entdecken Sie andere Experten mit ähnlichen Qualifikationen und Erfahrungen.
- English
- Deutsch
2025 © FRATCH.IO GmbH. All rights reserved.