KI/Data-Engineer

10/2024 – 3/2025

In diesem Projekt habe ich eine Helpdesk-Applikation entwickelt, die auf dem GraphRAG-Ansatz basiert. GraphRAG integriert Wissensgraphen mit großen Sprachmodellen (LLMs), um strukturierte und kontextreiche Antworten auf Kundenanfragen zu generieren. Durch die Nutzung von Graph-Datenbanken werden Beziehungen und Verknüpfungen zwischen Daten analysiert und in einen strukturierten Wissensgraphen überführt. Dies ermöglicht es, spezifische Informationen effizient abzurufen und weiterzuverarbeiten, was zu genaueren und konsistenteren Antworten führt.

Herausforderungen:
Eine zentrale Herausforderung bestand in der Umwandlung unstrukturierter Daten aus Kundenanfragen und Support-Dokumentationen in eine für den Wissensgraphen geeignete Struktur. Zudem war die effiziente Abfrage und Verarbeitung großer Datenmengen erforderlich, um schnelle und präzise Antworten zu gewährleisten.



Technologiestack:
Datenbanken: Einsatz verschiedener Graph-, Vektor-, Dokumenten-, und Cache-Datenbanken 
NLP- und AI-Frameworks: Spacy, Langchain, LLamaIndex
Large Language Models (LLMs): OpenAI

Docker, Document Retrieval, Langchain, Large Language Models, Natural Language Generation, Natural Language Processing, Natural Language Understanding, Python, SQL

10/2022 – 9/2024

Strategische und operative Unternehmensführung,
Datengetriebene Entwicklung von Geschäftsplänen
Optimierung betrieblicher Abläufe mit AI und Data Science
Finanzverantwortung, Personalmanagement
Kunden- und Partnermanagement
Entwicklung von E-Commerce-Lösungen
DevOps

Docker, Kubernetes, Business Administrator, Finanzen (allg.), Geschäftsführer, PHP, Prozessoptimierung, Python, Symfony

9/2022 – 3/2023

In diesem Projekt wurde ein System entwickelt, das spezifische Merkmale aus Audiodaten, wie Tonhöhe, Sprechgeschwindigkeit und Intonation, extrahiert und klassifiziert. Ziel war es, charakteristische Sprachmuster zu identifizieren und zu kategorisieren, um Anwendungen wie Sprechererkennung, emotionale Analyse oder Sprachtherapie zu unterstützen.​

Ziele:
Automatische Extraktion relevanter Sprachmerkmale aus Audiodaten.​
Klassifikation dieser Merkmale zur Identifikation spezifischer Sprachmuster.​
Bereitstellung einer Grundlage für weiterführende Anwendungen in Bereichen wie Sprecheridentifikation oder Sprachanalyse.

Technologien
Bibliotheken und Frameworks: TensorFlow, PyTorch​
Spracherkennungsmodelle: OpenAI Whisper, BERT, ...
Datenverarbeitung: NumPy, SciPy​
Audioverarbeitung: Librosa​, ...

Pytorch, Tensorflow, Natural Language Processing, Python, SISR (Semantic Interpretation for Speech Recognition)