TECHNISCHE FÄHIGKEITEN- Frameworks
- PyTorch, TensorFlow, FastAPI, LangGraph, LangChain, Hugging Face
- Infrastructure as Code (IaC)
- Cloud-Plattform und -Dienste
- AWS(EC2, S3, VPC, IAM, RDS, EKS, ECS, Route53, CloudFront), Microsoft Azure ( Azure Blob Storage, Function App, AKS, Key Vault)
- Tools & Plattformen
- Docker, Kubernetes, ArgoCD, Git, BitBucket, Jira
- CI/CD & Automation
- ?Jenkins, GitHub Actions, Azure DevOps, GitLab CI/CD
Erfahrungen07/2025 ? 03/2026Cloud & DevOps Engineer
FARO Insights, Stuttgart (Germany)
- Entwicklung automatisierter CI-Validierungspipelines zur Prüfung neuer Softwarefunktionen sowie geplanter Wochenendläufe zur Sicherstellung der Stabilität von Produktionspipelines.
- Migration und Refactoring von Workflow-Komponenten aus TypeScript in Python, wodurch die Wartbarkeit verbessert, doppelter Codereduziert und die Integration mit Backend-Diensten vereinfacht wurde.
- Entwicklung und Betreuung von Azure DevOps CI/CD-Pipelines zur Automatisierung von Build-, Test-, Validierungs- und Deployment-Prozessen für Software- und KI-Anwendungen.
- Nutzung von Azure Key Vault zur sicheren Speicherung und Verwaltung von Secrets, Zugangsdaten und umgebungsspezifischen Konfigurationen.
- Entwicklung und Validierung serverloser Anwendungen mit Azure Function Apps und Azure Service Bus, um Workflows zu automatisieren und eine zuverlässige Bereitstellung sicherzustellen
- Konfiguration von Service Principals, Managed Identities und Role-based Access Control (RBAC) für den sicheren Zugriff zwischen Azure-Ressourcen.
Technologien: Docker, Python, TypeScript, Microsoft Azure, Git
05/2025 ? 11/2025Masterand
SICK Sensor Intelligence, Waldkirch (Germany)
- Entwicklung und Implementierung einer skalierbaren End-to-End-Pipeline zur synthetischen Datengenerierung mit NVIDIA Omniverse und Isaac Sim zur Automatisierung von KI-Workflows.
- Integration von Generative AI und LoRA-Fine-Tuning in die Datengenerierung, wodurch die Leistung der Instanzsegmentierung um 25,6 % verbessert und die Simulations-Realitäts-Lücke reduziert wurde.
- Optimierung der GPU-basierten Datenpipeline durch asynchrone Verarbeitung, wodurch die Ressourcennutzung verbessert und die Ausführungszeit um 50 % reduziert wurde.
- Analyse von Experimenten, Datensatzversionen und Modelltrainings mit MLflow zur systematischen Evaluierung und zum Benchmarking von KI-Modellen.
Technologien: Python, PyTorch, Bitbucket, Hugging Face
09/2024 ? 02/2025Praktikum, AI Software Developer
Mercedes-Benz AG, Stuttgart (Germany)
- Entwicklung eines kamerabasierten Echtzeit-Qualitätskontrollsystems für industrielle Produktionsumgebungen, integriert mit Sensordaten und KI-Modellen.
- Entwicklung und Integration von REST-API-Endpunkten mit Python und FastAPI zur Kommunikation zwischen KI-Systemen, Sensorik und elektronischen Steuerungskomponenten.
- Einsatz von Azure Databricks zur Verarbeitung und Analyse großer industrieller Sensordatensätze sowie zur Vorbereitung von Daten für das Training und die Bewertung von KI-Modellen.
- Verbesserung der Modellleistung um 3,4 % durch den Einsatz von Explainable AI (XAI) zur besseren Analyse von Modellentscheidungen.
Technologien: Python, PyTorch, TensorFlow, Docker, Azure Databricks, Cloud, Git, Nginx
07/2024 ? 06/2025Studentische Hilfskraft
Forschungszentrum Informatik, Karlsruhe (Germany)
- Durchführung einer ersten Machbarkeitsbewertung zur Entwicklung eines Demonstrators für sicherheitsbezogene Überwachung im Operationssaal.
- Entwicklung sensorbasierter KI-Lösungen mit YOLO und dem Segment-Anything-Modell (SAM) für Echtzeit-Objekterkennung und -Segmentierung.
Technologien: Docker, YOLO, SAM, Modellbewertung, Pytorch