Redesign der bestehenden Data-Analytics Plattform. Entwicklung neuer Datenprodukte und Auswertungen für Fachbereiche.

• Teil zweier agiler Teams von 18 zur Bereitstellung einer Data-Analytics-Plattform.
• Redesign der Datenpipelines und Entwicklung von ~60 Datenprodukten aus güter- und personenbezogenen Daten. 
• Optimierung der Prozessierungszeit um Faktor 100. Technische Leitung in Austausch mit Architekten. 
• Review aller Pull-Requests von zwölf Entwicklern. 
• Enablement von Junior Entwicklern.

Unterstützung der Fachbereiche zur Umsetzung von Machine-Learning-basierten Use-Cases zur Predictive Maintenance und Visualisierung für Endkunden.

• Teil eines agilen Teams von ~30 zur Bereitstellung einer Cloud-Datenplattform für Fachbereiche des Weltmarktführers.
• Design und Umsetzung mehrerer Architekturen für ~30 ETL-Anwendungen und APIs, zur Verarbeitung globaler IoT-Daten im Terabyte Bereich.
• Deployment von gemanagten Services in hybriden Cloud Setup.
• Optimierung des Projektdesigns für Ersparnis von ~4000? im Monat. 
• Präsentationen vor bis zu 60.

Mehrere ETL-Strecken fu?r IoT- und Versuchsdaten mit automatisierter Dashboard Visualisierung. Normalisierung verschiedener Datenformate.

• Design und Umsetzung von Architektur für ETL- und Dashboarding-Anwendung auf IoT-Daten. 
• Fokus auf Security für sensitive Labordaten in Azure. 
• Aufsetzen und Implementierung von Clean Code- und Architekturprinzipien für Wartbarkeit von 11 Python Modulen. 
• Verringerung der Laufzeit um Faktor ~50.
• Requirements Engineering als erster Ansprechpartner für Stakeholder.

Anbindung mehrerer externer Datenquellen an die Cloud-Datenplattform. Aufbau einer Analyse-Plattform zur Umsetzung skalierbarer Data Analytics Use-Cases mit Schwerpunkt Predictive Maintenance

• Teil eines agilen Teams von 8 für datengetriebene Lösungen für Endkunden des Weltmarktführers. 
• Design und Umsetzung einer Plattform für ETL- und ML-Anwendungen zur Verarbeitung globaler IoT-Daten im Terabyte Bereich. 
• End-to-end Architektur von Anfragen der Rohdaten, über Data Lake zu ML- und Visualisierungsanwendungen. 
• Deployment von gemanagten Services im privaten Netzwerk. 
• Enablement von Entwicklern des Kunden.

Mehrere ETL-Strecken fu?r IoT-Daten von weltweit verteilten Gera?ten und die dazugeho?rigen Anwendungen wurden samt Data Lake und Datenbank zu Microsoft Azure migriert.

• Migration der ETL-Strecken zu Azure Container Instances
• Migration der Anwendungen zu Azure App Services
• Dokumentation
• Containerized Deployment
• Aufsetzen von Azure DevOps CI/CD Pipelines

Mehrere ETL-Strecken fu?r IoT-Daten mit Visualisierung in Web-Interface und mit Email Alerting. Normalisierung verschiedener Datenformate.

• Konzeptionierung, Implementierung und Deployment mehrerer ETL-Strecken und einer Machine-Learning-Web-Anwendung in Python. 
• Prozessieren von Rohdaten von AWS S3 zu Elasticsearch-Cluster und Kibana Dashboards. 
• Azure Logic Apps. 
• Azure Container Instances. Dokumentation.

Design, Implementierung und Ausfu?hrung von Vergleichstests. Pra?sentieren und Dokumentieren der Ergebnisse.

• Das Ziel war es, die DNN-Methoden von fastai und Self-Normalizing Neural Networks mit ?herko?mmlichen? ML-Methoden zum Prototyping auf kleinen tubula?ren Datensa?tzen zu vergleichen. 
• Das Ergebnis, das prima?r das interne Know-How der Firma erweitert, sprach stark fu?r die ?konventionellen? ML-Methoden.

Das Ziel war es, einen Prototyp zur regionalen Vorhersage von COVID-19 Fa?llen mit folgender Last auf die Krankenha?user. Zusa?tzliches Schaffen einer Plattform zur Ressourcenallokation.

• Design und Implementierung des Prototyps in dynamischen, fully-remote Team

Das Ziel war es, Open-Source Technologien zum Sammeln von thermisch-relevanten Daten zu vergleichen.

• Design und Implementierung und Vergleich der Technologien als Daten-Pipeline.
• Dokumentation und Pra?sentation der Ergebnisse

Das Ziel war es, die Apache Kudu im Hadoop Ökosystem zu betrachten und zu beurteilen.

• Design, Implementierung und Ausfu?hrung von Vergleichstests
• Pra?sentieren und Dokumentieren der Ergebnisse

Das Ziel war es, mittels einer machine-learning-basierten iOS App, den Knetvorgang zur industriellen Teigherstellung zu verbessern.

• Analyse von Messgro?ßen der Teigherstellung
• Design, Implementierung und Deployment von verschiedenen Machine Learning Methoden auf vorhandenen Daten
• Dokumentation und Pra?sentation der Ergebnisse

Entwicklung von Anwendung zur modularen Getriebezusammenstellung mittel User-Interface

• Das Ziel war es, eine C#-Applikation zu schaffen, mit der Kunden Getriebe per Drag-and-Drop zusammenstellen und darauf Berechnungen durchfu?hren
• Eigenständiges Arbeiten mit Feedback von Senior Software Engineer