Im Rahmen dieses Projekts habe ich an der Konzeption, Implementierung und Erprobung eines Frameworks zur strukturierten Evaluation von KI-Agenten in unterschiedlichen Real-World-Szenarien mitgewirkt. Ziel war es, Agenten unter klar definierten Instruktionen und Rahmenbedingungen systematisch zu testen und ihr Verhalten programmgesteuert zu erfassen, um reproduzierbare Metriken und fundierte Thesen zum Agentenverhalten abzuleiten.
Hierfür wurde ein modulares Python-Framework aufgebaut und an verschiedene Cloud- und AI-Plattformen angebunden, unter anderem Azure AI Foundry sowie die Anthropic API.  

Im Rahmen dieses Projekts habe ich ein Framework entwickelt, um die Sichtbarkeit von Unternehmen in KI-getriebenen Suchumgebungen (z. B. LLMs, Chatbots, generative Search) systematisch zu evaluieren und zu benchmarken. Dazu konzipierte und realisierte ich eine Webplattform mit Astro/React-Frontend, Firebase-Backend-Services und einer Integration in die Azure AI Foundry. Ein besonderer Schwerpunkt lag auf der Entwicklung eines modularen Systems zur Extraktion, Aggregation und Analyse von KI-Suchergebnissen, das in iterativen MVP-Zyklen aufgebaut und kontinuierlich mit Stakeholder-Feedback verbessert wurde.

Aufbau einer RAG-Pipeline (Retrieval-Augmented Generation) zur Verarbeitung umfangreicher Dokumente. Implementierung eines benutzerfreundlichen Interfaces mit React. Anwendung von Guardrails zur Qualitätssicherung der Antworten.

In diesem Projekt habe ich einen plattformübergreifenden Prototypen entwickelt, der neuartige KI-gestützte Interaktionsmuster demonstriert. Der Fokus lag auf der Integration von Large Language Models zur Steuerung dynamischer Dialoge, Zustandsverwaltung und Echtzeit-Reaktivität im Gameplay. Dafür habe ich ein Frontend in Flutter mit einem Firebase-Backend umgesetzt und die Azure AI Foundry für LLM-Integration angebunden. Ergänzend wurde eine Retrieval-Augmented-Prompting-Pipeline entwickelt und Guardrails implementiert, um konsistente und sichere Nutzerinteraktionen sicherzustellen. Zudem konzipierte und realisierte ich narrative Spielmechaniken, bei denen Handlungsverlauf und Spielerlebnis adaptiv durch KI-Ausgaben gesteuert wurden.

In diesem Projekt habe ich ein Open-Source-Tool entwickelt, das unstrukturierte Notizen automatisiert in strukturierte Formate überführt und daraus kreative, multimodale Zusammenfassungen generiert. Die Pipeline wurde in Python umgesetzt, um Texte zu normalisieren, mit Metadaten anzureichern und für die Weiterverarbeitung vorzubereiten. Zur inhaltlichen Verarbeitung kamen LLMs über die OpenAI API und LangChain zum Einsatz, wodurch strukturierte Zusammenfassungen sowie HTML-Ausgaben mit eingebetteten Visualisierungen erzeugt werden konnten. Besonderen Wert habe ich auf die Benutzerfreundlichkeit gelegt, sodass das Tool interaktive Storytelling-Szenarien sowie kollaborative Anwendungen unterstützt und sich leicht auf unternehmensinterne Wissensmanagement-Kontexte übertragen lässt.

In diesem Projekt habe ich ein öffentlich zugängliches Dashboard für Stromnetz-Auslastungsdaten konzipiert und entwickelt, das Vorhersage-Modelle mit IBCS-konformen Visualisierungen kombiniert. Dabei habe ich öffentlich verfügbare Netzdaten gesammelt, aufbereitet und mithilfe von Python für die Zeitreihenmodellierung vorbereitet. Zur Prognose habe ich verschiedene Modelle aus klassischem Machine Learning und Deep Learning implementiert und deren Performance miteinander verglichen. Auf dieser Basis entstand ein interaktives Dash/Plotly-Dashboard, das sich an IBCS-Standards orientiert und eine transparente Bewertung der Vorhersagen ermöglicht.

In diesem Projekt war ich an der Entwicklung einer medizinischen Gerätesoftware beteiligt, die vollständig nach ISO 62304 für sicherheitskritische Systeme umgesetzt wurde. Meine Aufgaben umfassten die Konzeption und Implementierung zentraler Softwarekomponenten in C#/.NET, die Planung von Entwicklungspaketen sowie die Sicherstellung hoher Codequalität durch Unit Testing, CI/CD und Code Reviews. Darüber hinaus koordinierte ich ein kleines Entwicklerteam, führte Scrum-Zeremonien ein und unterstützte die agile Arbeitsweise in einem streng regulierten Umfeld. Ein weiterer Schwerpunkt lag auf der Einhaltung der ISO-Anforderungen, insbesondere bei Dokumentation, Risikomanagement und der Rückverfolgbarkeit von Anforderungen über den gesamten Entwicklungszyklus hinweg.

In diesem Projekt habe ich eine Topic-Modeling-Pipeline für wissenschaftliche Forschungstexte entwickelt, um die Wissenserschließung und Literaturrecherche zu verbessern. Dabei habe ich Textdaten in Python gesammelt, vorverarbeitet und für die Modellierung aufbereitet, einschließlich Tokenisierung, Lemmatisierung und Vektorisierung. Für die Modellierung habe ich BERTopic eingesetzt und Transformer-basierte Embeddings (BERT) mit Clustering-Methoden kombiniert. Um die Modellqualität zu erhöhen, optimierte ich die Hyperparameter und nutzte Dimensionalitätsreduktion (UMAP, HDBSCAN), um eine bessere Themenvielfalt und -abdeckung zu erreichen. Anschließend habe ich die Ergebnisse mit klassischen Verfahren wie LDA und TF-IDF-Clustering verglichen und durch die Validierung mit Fachexperten abgesichert.

In diesem Projekt habe ich eine NLP-Pipeline zur automatisierten Klassifizierung und Verschlagwortung wissenschaftlicher Artikel für pharmazeutische Anwendungsfälle entwickelt. Zunächst habe ich die Datenvorverarbeitung in Python umgesetzt, inklusive Tokenisierung, Lemmatisierung, Stoppwort-Filterung und Feature-Extraktion mittels TF-IDF und Embeddings. Anschließend erstellte ich ein Baseline-Modell mit logistischer Regression und führte Modell-Experimente mit Transformer-Architekturen (BERT, BioBERT) durch, um die domänenspezifische Genauigkeit zu steigern. Darüber hinaus implementierte ich ein interaktives Power-BI-Dashboard, das Performance-Metriken und Fehlanalysen für Fachanwender visualisierte.