Data Scientist und Machine Learning Engineer

12/2022 – 12/2023

Modebegeisterte haben oft Schwierigkeiten, auf unübersichtlichen Online-Marktplätzen das richtige Outfit zu finden. Auf Social-Media-Plattformen gibt es zwar stilspezifische Inspirationen von echten Menschen, aber es fehlt oft ein Link zum Kleidungsstück, der die Kleidung nachkaufbar machen würde. Neue und kleine Modeanbieter haben das Problem, dass sie wegen fehlender Ressourcen online kaum sichtbar sind. Hier kommt 99flairs ins Spiel: Als Schnittstelle zwischen Social-Media und E-Commerce bietet 99flairs individuelle Modeinspiration und ermöglicht es, Nutzern das jeweilige Kleidungsstück direkt nachzukaufen. Zudem werden einzigartige Kleidungsstücke von neuen und kleinen Modeanbietern sichtbar gemacht und so ihre Wettbewerbsposition gestärkt. Neben einer größeren Vielfalt, bietet 99flairs seinen Nutzern ein beispielloses Level an Individualität, da unsere KI mit jedem Like oder Dislike den Modegeschmack der Nutzer kennenlernt und so stilgerechte Outfitinspirationen anzeigt. Das Folgen von Personen mit ähnlichem Stil und gleicher Figur ermöglicht es, Mode zu finden, die nicht nur dem jeweiligen Geschmack entspricht, sondern auch gut am eigenen Körper sitzt.
Meine Aufgaben waren/sind:
• Die Ausarbeitung eines Business Plans
• Die Überarbeitung des bisherigen UI und der UX (bubble.io)
• Die Implementierung von Social-Media Login Funktionen auf der Web-App (bubble.io)
• Die Veröffentlichung der Web-App auf dem Google Play Store und dem Apple App-Store
• Die Auswahl geeigneter vortrainierter KI-Modelle zur Fashion Detection und Fashion Attribute Prediction
• Das Erproben mehrerer Ansätze zur Fashion Style Prediction ganzer Outfits
• Die Implementierung der drei KI-Komponenten auf AWS (Lambda Functions)
• Datenmodellierung
• Der Aufbau einer Datenbank auf AWS (RDS) und Speicherung der Bilder (S3)
• Die Verbindung der KI-Komponenten mit der Web-App (API Gateway)
• Die Betreuung von einem Praktikanten

SQL, Computer Vision, Maschinelles Lernen, PyTorch, TensorFlow, Natural Language Processing (NLP), Docker, Python, Amazon Web Services (AWS), Representational State Transfer (REST)

6/2022 – 12/2022

Durchführung eines Proof of Concepts für die Implementierung einer automatisierten Bildbetextung der Bilddatenbank mithilfe von KI. Die Bildbetextung verfolgt den Zweck, die Suche nach Fotos auf der Datenbank zu vereinfachen und Handlungen der Regierung zu Dokumentieren. Für eine Bildbetextung werden Informationen verschiedener Quellen verarbeitet und unter Verwendung mehrerer Satzschablonen zusammengesetzt. Aktionen auf den Bildern werden mit Hilfe eines Convolutional Neural Networks (ResNet-50) erkannt.
Meine Aufgaben waren/sind:
• Direkte Kommunikation mit dem Kunden zur Identifikation und Ausarbeitung von Anforderungen
• Analyse potenziell nutzbarer Datenquellen
• Extraktion von Daten aus nutzbaren Datenquellen
• Konzeption, Entwicklung und Training eines KI Modells zur Aktionserkennung unter Verwendung des ActionNet (Transfer Learning)
• Konzeption und Entwicklung eines ersten modularen Prototyps zur Bildbetextung
• Ausarbeitung der nächsten Schritte für die Produktivsetzung der automatisierten Bildbetextung

Computer Vision, Data Mining, Data Science, Git, Maschinelles Lernen, Natural Language Processing (NLP), Python, PyTorch, SQL, TensorFlow

2/2021 – 12/2022

• Die Konzeption einer lernfähigen Gesichtserkennung (Selbstlernendes System) auf Basis von SAP Data Intelligence
• Das Erproben eines Selbstlernenden Systems auf SAP Data Intelligence
• Die Auswahl geeigneter vortrainierter KI Modelle
• Die Anpassung der KI Modelle an den Use-Case mit Tensorflow und PyTorch
• Die Integration der Modelle auf SAP Data Intelligence
• Die Entwicklung von Daten-Pipelines mit Python auf SAP Data Intelligence
• Die Auswertung der Genauigkeit der Modelle für den Use-Case
• Die Validierung des Einsatzes weiterer KI Use Cases
• Einrichtung von REST-Apis zur Kommunikation von Pipelines untereinander
• Einrichtung von Docker Containern
• Durch meine eigenständige Verbesserung des ursprünglichen Konzeptes konnte eine 2000-fache Effizienzsteigerung und eine Steigerung von 36% der Genauigkeit des Models erreicht werden.

Computer Vision, Docker, Git, Maschinelles Lernen, Oracle Database, Python, PyTorch, Representational State Transfer (REST), SAP HANA, SQL, TensorFlow