Berater für datengetriebene KI-Lösungen

Ich unterstütze Unternehmen dabei, KI-Prozesse nicht nur zu verstehen, sondern produktiv zu nutzen. Mein Fokus liegt auf der Umsetzung konkreter, betriebsnaher Lösungen mit modernen LLM- und Agententechnologien. Die folgenden Beispielprojekte zeigen typische Anwendungsfälle, in denen ich Effizienz, Automatisierung und neue Wertschöpfungspotenziale realisiert habe:

Automatisierte E-Mail-Klassifizierung und Workflow-Trigger Entwicklung eines Systems zur intelligenten Erkennung und Bearbeitung eingehender E-Mails (z. B. Bewerbungen, Rechnungen, Supportfälle). Tech: OpenAI GPT-4, LangChain, FastAPI, Supabase, Webhooks

KI-gestützter Vertragsassistent für ein LegalTech-Startup Umsetzung eines LLM-gestützten Assistenten zur automatischen Analyse, Kategorisierung und Extraktion relevanter Daten aus juristischen Dokumenten. Tech: Llama 3, Pydantic, LangGraph, Pinecone (RAG), Docker

Interne Wissenssuche mit RAG-Architektur Aufbau einer Retrieval-Augmented-Generation-Lösung für ein mittelständisches Unternehmen, um interne Dokumentation, FAQs und Handbücher über eine KI-Schnittstelle zugänglich zu machen. Tech: vLLM, FAISS, LangChain, HuggingFace, OpenSearch

Edge-fähige Anomalieerkennung in der Industrie Entwicklung eines lokal ausführbaren Vision-Language-Systems zur visuellen Qualitätskontrolle auf Edge-Geräten (z. B. Jetson, A100). Tech: Vision Transformer, LLaVA, Torch, Nvidia TensorRT, FastAPI

Agentensystem für automatisierte Reportgenerierung Einführung eines Agent-Frameworks, das regelmäßig Daten (z. B. aus CRM, JIRA, Kalender) aggregiert, priorisiert und in wöchentliche Management-Briefings umwandelt. Tech: LangGraph, PandasAI, LlamaIndex, REST, Zapier-API

LLM-gestütztes Matching-System für Recruiting-Plattform Entwurf eines Systems, das Bewerbungen mit Stellenprofilen abgleicht, Scores berechnet und passende Profile automatisch an Recruiter weiterleitet. Tech: OpenAI Embeddings, LangChain Agents, FastAPI, Postgres

Realisierung datengetriebener Lösungen mit Fokus auf vorausschauende Analysen, Cloud-Datenplattformen und Geschäftsunterstützung im Azure-Umfeld:

System zur vorausschauenden Wartung Entwicklung eines Vorhersagesystems für Maschinenausfälle mithilfe von Azure und Python. Aufbau performanter ETL-Workflows in Azure Synapse; Ergebnis: 20 % weniger ungeplante Ausfälle und optimierte Wartungsplanung durch prädiktive Modelle.

Unternehmensweite Analyseplattform (EAP) Konzeption und Implementierung einer unternehmensweiten Analyseplattform auf Azure, mit Anbindung diverser Datenquellen. Automatisierte Pipelines und Visualisierungen (Power BI, Tableau) ermöglichten 30 % schnellere Entscheidungen auf operativer Ebene.

Cloud-Datenmigration & Reporting Leitung der Migration von Legacy-Daten in die Azure-Cloud, einschließlich Neugestaltung von Power BI Reports. Ergebnis: 40 % schnellere Datenverfügbarkeit und bessere Reaktionsfähigkeit im Tagesgeschäft.

Sentiment-Analyse für Kundenfeedback Entwicklung eines NLP-basierten Analysetools mit Python und Azure Databricks zur Auswertung von Kundenmeinungen. Die Erkenntnisse wurden über Power BI zugänglich gemacht; Ergebnis: 25 % Steigerung der Kundenzufriedenheit durch gezielte Maßnahmen.

Entwicklung datengetriebener Systeme zur Einhaltung regulatorischer Anforderungen, Marktanalyse und Risikoabschätzung im Finanzsektor:

Data-Warehouse-Anpassung für Compliance Modernisierung des bankinternen Data Warehouses mittels Excel, VBA, SQL (DB2) und Java zur Erfüllung neuer regulatorischer Vorgaben. Optimierung von ETL-Prozessen und Reportings. Ergebnis: vollständige Compliance, konsistente Datenflüsse und höhere Reporting-Qualität bereichsübergreifend.

KI-basierte Sentimentanalyse Entwicklung eines Tools zur Echtzeit-Analyse von Marktstimmungen anhand von Finanznachrichten mit Python, TensorFlow und Dash. Ergebnis: schnellere Reaktionen auf Marktveränderungen, verbesserte Risikoeinschätzung und automatisierte Handlungsempfehlungen für das Investment-Controlling.

Stress-Test-Plattform für Risikosimulationen Aufbau einer umfassenden Plattform zur Durchführung von Stressszenarien und Datenqualitätsanalysen mit Python, SQL, Power BI, Java und React. Ergebnis: 30 % höhere Reaktionsfähigkeit im Krisenfall, verbesserte Prognosegüte und fundierte Entscheidungsgrundlagen im Risikomanagement.