QM Interim Manager

Langjährige Leitungserfahrung in allen Bereichen des Qualitätsmanagements und mehrere Jahre Erfahrung in der Bearbeitung von Machine Learning Projekten.
Hochschuldozent für Computer Vision, Qualitätsmanagement, Mikrosystemtechnik, Sensorik.

• 8D Report4 J.
• FMEA (Failure Mode and Effects Analysis)
• Mikroelektronik9 J.
• Mikrosystemtechnik9 J.
• Prozessmanagement
• QM Interim Manager
• Qualitätsmanagement / QS / QA (IT)8 J.
• Qualitätsmanagement (allg.)7 J.
• Sensorik9 J.

Ich biete Projektunterstützung, Coaching und Schulungen zu allen meinen Qualifikationen. Mein Ansatz ist dabei sowohl Hilfe-zu-Selbsthilfe als auch konkrete Projektunterstützung.

(Referenzen auf Anfrage!)

Ich verfüge über weitreichende Erfahrung in Aufbau, Leitung und Organisation von QM Abteilungen in verschiedensten Bereichen (Entwicklung, Fertigung, Großprojekt, Business Unit, corporate QM) und verschiedensten Unternehmensgrößen (DAX Konzern, TechDax (~ 2000 MA), Technologieunternehmen (~ 100 MA). Die erfolgreiche Umsetzung von Projekten in einem ausgereiften QM- und Prozessumfeld mit sehr hohen Kundenerwartungen über die Integration mehrerer bestehender QM Systeme in einer schnell wachsenden Firmengruppe im ISO9001 Bereich bis hin zum Management von QM und insbesondere der berechtigten Kundenerwartungen in einem rudimentären QM Umfeld gehört zu meinen Erfahrungswerten.

Dabei decke ich eine große Bandbreite im Qualitätsbereich ab:
- Kundenqualität /8D
- Lieferantenmanagement & Lieferantenauditierung (> 70 überwiegend internationale Lieferantenaudits)
- "automotive quality" in Entwicklung, Fertigung, Kundenbereich
- Null-Fehler-Strategie
- QM Tools etc. (z.B. FMEA, Geschäftsprozessmanagement)

Daneben verfüge ich über langjährige Erfahrung in den Bereichen Halbleitertechnologie, insbesondere Sensortechnologie, -qualität und -zuverlässigkeit, Intelligente Sensoren & Deep Learning Qualifikation von Halbleiterbauelementen.

In den letzten Jahren habe ich im Hochschulumfeld etliche Projekte im Deep Learning / Machine Learning Umfeld durchgeführt. Dazu gehören beispielsweise:

- Potentialanalyse zum Einsatz von Deep Learning zur Sensoroptimierung
- Entwicklung und Evaluierung vollvernetzter Neuronaler Netze zur Sensoroptimierung
- Möglichkeiten und Grenzen verschiedener Machine-Learning-Modelle für den Einsatz im Predictive-Maintenance-Bereich
- Entwicklung einer Reifenzustandserkennung auf Basis eines CNN Deep Learning Ansatzes
- Entwicklung und Bau eines personalisierten Türschlosses mit Gesichts- und Fingerabdruckerkennung
- Multiple Klassifizierung von Fahrrädern mit limitierter Bildanzahl (inkl. Transfer-Learning)
- Akustische Geschwindigkeits- und Straßenoberflächen-Erkennung