Auswertung von Regulierungstexten, Policies und Guidelines im Bankensektor zur Automatisierung von Compliance. Das Ziel des Projektes ist es digitale Regeln aus Gesetzestexten zu extrahieren. Das ist weitestgehend eine manuelle Aufgabe, die innerhalb des Projektes durch Machine Learning und Natural Language Processing automatisiert wird. Zum Einsatz kamen sowohl klassische KI-Methoden (z.B. Keyword/Triple extraction auf Basis syntaktischer Informationen) und auch Deep Learning Modelle (z.B. zur Klassifikationen von Phrasen und Paragraphen). Ich entwickelte innerhalb des Projektes auch Prototypen auf Basis von Angular und FastAPI, z.B. einen KI-Chatbot mit RAG für eine Schweizer Großbank.

Das Projekt hatte das Ziel, die Mitarbeiter eines großen Konzerns besser miteinander zu vernetzen und Wissen über Software-Architekturen verfügbar zu machen. Dazu wurde ein Recommendation-System erstellt, das Profile von Benutzern Dokumente miteinander vergleichbar machte. Die Recommendations wurden dann in einer Web-Anwendung dargestellt. Außerdem habe ich in dem Projekt eine Web-Anwendung zum Erstellen von Test Cases entwickelt, um die Qualität der Recommendations auf Basis unterschiedlicher Machine-Learning-Modelle miteinander vergleichbar zu machen.

Entwicklung einer Webanwendung zur Eingabe, Evaluierung und Anwendung von Compliance-Regeln in der Finanzindustrie. Die Plattform wird von Finanzanalysten und Anwälten genutzt und war Teil des Angebots eines Finanz-Startups aus Zürich. Ich war dabei für die Entwicklung eines Prototypen sowie die Weiterentwicklung zu einem Produkt verantwortlich, in einem zunächst kleinen und dann wachsenden Team. U.a. übernahm ich dabei auch die Einarbeitung der neuen Team-Mitgliedern. Als Technologie für die Web-Anwendung kam ein JavaScript-Stack aus Loopback und Angular zum Einsatz.

Als Leiter der Entwicklung war und bin ich verantwortlich für die Auswahl der eingestetzten Technologien und die Koordination innerhalb des Entwickler-Teams. Die gesamte Plattform wurde in JavaScript entwickelt, auf Basis einer Kombination aus LoopBack im Backend sowie AngularJS im Frontend. Als Datenbank kam MongoDB zum Einsatz. Ich übernahm den Hauptteil der Entwicklung des Backends sowie des Frontends. Das Team bestand zwischenzeitlich aus insgesamt 4 Entwicklern, wobei ich für die Koordination auf agile Methoden mit einem zentralen Kanbanboard und User Stories als Basis zur Definition von wöchentlichen Sprints.

Poio ist ein System für statistische Textvorhersage für kleinere Sprachen. Ich habe das Open Source Projekt für das „Centro Interdisciplinar de Documentação Linguística e Social“ entwickelt, um die Texteingabe auf mobilen Systemen für kleinere Sprachen zu ermöglichen. Die Daten werden aus verschiedenen online und privaten Quellen extrahiert und in einem Python-Workflow in ein einheitliches, internes Datenmodell gewandelt (ISO 24612, Language resource management — Linguistic annotation framework). Aus diesen Daten werden N-Gramm-Modelle für die Wortvorhersage bei Benutzereingaben berechnet. Bei der Online-Demo handelt es sich um eine Flask-Webanwendung. Ich habe das Projekt initiiert und arbeite darin als Projektmanager und Entwickler, und betreue dabei eine wechselndes Team aus angestellten Entwicklern, Freelancern und Praktikanten. Wir verwenden einen testgetriebenen Entwicklungsprozess und verwenden Kanban um die Zusammenarbeit im Team zu organisieren und Aufgaben zu planen und zu verwalten.