Michael Nelz
FREELANCEProfil
Als erfahrener ML-Engineer bringe ich ihre ML Projekte End-to-End in Produktion.
Angefangen bei der Datenanbindung, der effektiven Transformation mit Python und Pyspark, Modelloptimierung mit Scikit-Learn, PyTorch und Pyro, dem Deployment via IaC, Docker und Kubernetes und dem Monitoring der Ergebnisse via MLOps-Tools wie z.B. Databricks-MLFlow.
Darüber hinaus konnte ich bereits kundengetriebene Erfahrung in der Leitung von Data-Science-Teams und der Wissensvermittlung zum Thema ML und AI sammeln.
Experten-Skills (8+ Jahre Berufserfahrung):
- Data Analysis, Machine Learning mit Python (8 + Jahre)
- Deep Learning, Computer Vision mit Python (8 + Jahre)
- Prompt Engineering, RAG-Implementation and Agentic AI mit Python (4 + Jahre)
- Agiles Software Development (8+ Jahre)
- ML-Ops und Data-Pipelines in Cloudumgebungen(6 + Jahre)
- Management von Data-Science-Teams (4+ Jahre)
- Knowledge Sharing (Coding Workshops, Courses) (7 + Jahre)
Unterstützende Skills:
- Unit- und E2E-testing (6 + Jahre)
- Docker und Kubernetes (6 + Jahre)
Praxiserfahrung
- Weiterentwicklung und Operationalisierung der bestehenden Demand-Forecasting-Plattform mit Fokus auf Skalierbarkeit, Monitoring und produktionsreife ML-Infrastruktur.
- Aufbau standardisierter MLOps-Prozesse zur automatisierten Bereitstellung, Überwachung und Wartung von Forecasting- und GenAI-Komponenten.
- Entwicklung und Optimierung skalierbarer CI/CD- und MLOps-Pipelines für Training, Testing, Deployment und Monitoring von Forecasting-Modellen.
- Einführung zentralisierter Experiment- und Modellverwaltung mittels MLflow inklusive Versionierung, Model Registry und automatisierter Deployment-Strategien.
- Aufbau eines Monitoring-Frameworks für Modellperformance, Datenqualität und Drift Detection zur Sicherstellung stabiler Vorhersagequalität.
- Automatisierung von ETL-, Retraining- und Inferenzprozessen auf der unternehmensinternen Datenplattform.
Containerisierung und Bereitstellung von ML-Services und GenAI-Komponenten mittels Docker und API-basierter Architektur. - Optimierung verteilter PySpark-Pipelines zur Reduktion von Laufzeiten und effizienteren Ressourcennutzung.
Erweiterung der GenAI-Agent-Architektur für Explainability, Forecast-Interpretation und interaktive Analyse-Workflows. - Unterstützung bei der Einführung von Best Practices für MLOps, Software Engineering und produktionsreife KI-Systeme innerhalb der Fachbereiche.
- Technologie-Stack:
Python, PySpark, MLflow, Docker, FastAPI, Azure Synapse, Azure OpenAI, Databricks, Git, CI/CD, LangChain, Agentic AI, Monitoring, Drift Detection, Plotly-Dash
- Cashflow-Vorhersage
- Entwicklung eines skalierbaren, probabilistischen und
zuverlässigen Cashflow-Forecasting-System zur Unterstützung
strategischer Finanzplanung. - Nutzung von Bayes’scher Modellierung mit Pyro
- Selbstständige Entwicklung und Optimierung von ETL und MLOps
Pipelines auf unternehmensinternen Datenplattform (Databricks-ähnlich). - Modellerklärungen mit Azure OpenAI.
- Die Lösung stärkt Entscheidungsfindung, Risikobewertung und
spart dadurch hohe Zinskosten. - Technologie-Stack:
Python, Pyro, PyTorch, Azure Synapse, Azure Open-AI, LLM, Prompt-Engineering, Langchain, Agentic AI, PlotlyDash, Docker, Databricks-MLFlow, FastAPI, Git
- Demand Forecast
- Erstellung eines End-to-End-Workflows zur Vorhersage von
Demand für alle Business Units zur Logistik-Optimierung. - Selbstständige Entwicklung und Optimierung von ETL und MLOps
Pipelines auf unternehmensinternen Datenplattform (Databricks-ähnlich). - Zweigliedriger Ansatz für die Prognose von intermittened
Demands: - 1. Binäre Vorhersage: Identifikation des Auftretens von Nachfragen.
- 2. Regression: Schätzung der Nachfragehöhe.
- Einsatz von Large Language Models (LLMs) und Azure OpenAI zur
Implementierung von Sentiment-Analysis für Besuchsberichte, um
qualitative Einblicke zu verbessern. - Implementation eines GenAI-Agent-Frameworks zur Erklärung
von Vorhersageergebnissen und der visuellen Aufbereitung. - Technologie-Stack:
Python, PySpark, Databricks-MLFlow, FastAPI, Git, Azure Synapse, Azure Open-AI, LLM, Prompt-Engineering,
Langchain, Agentic AI, Plotly-Dash, Docker