Stephan Baier

Aufbau einer hybriden ML-Architektur auf AWS und On-Premise

Entwicklung kundenspezifischer Machine-Learning-Modelle für Computer Vision und Informationsextraktion

Evaluierung und Prototyping mit verschiedenen agentenbasierten KI-Tools, LLMs und MCP

Zusammenarbeit mit Product Ownern zur Definition von funktionalen Anforderungen und Sicherheitsaspekten

Führung eines Teams aus Data Scientists und Data Engineers

OCR-Pipeline: Training eines EasyOCR-Modells auf domänenspezifischen und synthetischen Datensätzen (Ausweise, Pässe, Führerscheine)

Segmentierungsmodell: Implementierung eines Segmentierungsmodells in PyTorch zur genauen Zuschneidung von Dokumenten und Perspektivkorrektur

Ausweisklassifikator: Entwicklung eines CNN-basierten Modells in PyTorch zur Klassifizierung von Dokumenttypen

Hologramm-Erkennung: Entwicklung eines spezialisierten Klassifikationsmodells in PyTorch zur Überprüfung von Hologrammen

Konvertierung der Modelle nach ONNX und TensorFlow Lite, inklusive Quantisierung und Pruning von Modellgewichten zur Erfüllung von Echtzeitanforderungen

Erreichen durchschnittlicher Inferenzzeiten von unter 200 ms auf mobilen Endgeräten

Über eine Million erfolgreiche Echtzeit-Identifikationen

Reduzierung des manuellen Verifikationsaufwands um mehr als 90 %

Tech-Stack: AWS SageMaker, Bedrock, Rekognition; multimodale LLMs, Pydantic, FastMCP, Prompt-Engineering; PyTorch, PyTorch Lightning, TensorFlow Lite, ONNX; TorchVision, OpenCV, EasyOCR

Streaming-ML für die Verarbeitung von Kundenmitteilungen (Okt. 2019 – Mai 2021)**

Aufbau einer Echtzeit-ML-Pipeline zur Klassifizierung von Kundenkommunikation

Erstellung von Live-Dashboards für Nachrichtenfluss, Vorhersagen und Systemüberwachung

Gestaltung eines VAIT-konformen ML-Lifecycles mit Audit-Trails, Jenkins CI und Deployment auf Kubernetes

Tech-Stack: Kafka, OpenShift, Jenkins, MLflow, Python, scikit-learn, XGBoost, Universal Sentence Encoder

Ermöglichung der Echtzeitverarbeitung von über 20.000 Nachrichten pro Tag

Bereitstellung vollständig nachvollziehbarer und regulatorisch konformer ML-Workflows

NLP-Pipeline für semantische Suche und Entity Linking (Aug. 2018 – Sept. 2019)**

Entwicklung und Implementierung einer NLP-Pipeline mit BERT-basierten Modellen für NER und Entity-Disambiguierung

Aufbau einer semantischen Suchmaschine mit Elasticsearch und Kibana-Dashboards zur Abfrageanalyse

Verknüpfung extrahierter Entitäten und Beziehungen in einem Neo4j-Wissensgraph, was graphbasierte Suche und interaktive Exploration über Neo4j Bloom ermöglicht

Tech-Stack: PyTorch, BERT, Elasticsearch, Kibana, Neo4j, Bloom, Azure

Ermöglichung zeitnaherer Risikobewertung für Kreditversicherungen durch Einbeziehung aktueller Nachrichtenereignisse

Steigerung der Effizienz von Schadensregulierern durch schnellere Identifikation relevanter historischer Fälle

Sales-Funnel-Optimierung für Kreditprodukte (Mai 2018 – Juli 2018)**

Einsatz von Clustering- und Klassifikationsmodellen zur Segmentierung des Nutzerverhaltens und Erkennung von Absprungsmustern im Sales Funnel

Durchführung von Datenanalyse, Feature Engineering und Modellentwicklung

Entwicklung einer interaktiven Webanwendung zur Visualisierung von Conversion-Pfaden, Kundensegmenten und Modelergebnissen für Stakeholder im Business

Tech-Stack: Python, PySpark, Pandas, NumPy, scikit-learn, SQL, Plotly, Dash