Robert

Situation

Im juristischen Umfeld eines Verlages, konkret in der Datenproduktion und in einer Plattform für Partner und externe Inhalte, bestand die Herausforderung, Inhalte zuverlässig zu verarbeiten. Teile der Daten entsprachen nicht den redaktionellen Richtlinien und konnten mit klassischen Methoden wie regulären Ausdrücken nicht mehr zuverlässig erkannt werden.

Task

Als Machine Learning Engineer war ich verantwortlich für die Entwicklung skalierbarer Machine-Learning-Lösungen. Zusätzlich übernahm ich Aufgaben im Bereich Produktstrategie, Roadmap-Planung und Requirements Engineering. Ziel war es, die technische Basis für eine KI-gestützte Verarbeitung zu schaffen – mit klarer Messbarkeit im weiteren Projektverlauf.

Action

• Durchführung von Workshops zur Anforderungsaufnahme und Konzeptentwicklung gemeinsam mit dem Product Owner.
• Entwicklung und Integration von Natural-Language-Processing-Methoden mit Schwerpunkt auf Named Entity Recognition.
• Einsatz moderner Frameworks und Modelle, darunter spaCy, Hugging Face, BERT-Modelle sowie Flair (ner-german-legal).
• Aufbau und Aufbereitung von großen Textmengen (mehrere GB), inklusive Validierung und Kuration der Trainingsdaten.
• Proof of Concepts für Large Language Models und Generative AI.
• Vorbereitung eines Multistage-Deployments mit Azure Machine Learning zur späteren Operationalisierung.

Result

Am Projektende wurde die Grundlage für eine produktionsreife Lösung geschaffen, die eine zuverlässige Verarbeitung von Inhalten ermöglicht. Damit entstand die technische Basis für zukünftige KI-Produkte im juristischen Umfeld. Eine konkrete Effizienzsteigerung war zu diesem Zeitpunkt noch nicht messbar, die Arbeit legte jedoch das Fundament für künftige Einsparungen und Automatisierungen.

Situation

Bei einer großen Krankenversicherung sollte eine zukunftsfähige Daten- und KI-Plattform aufgebaut werden. Die bestehende On-Premise-Umgebung, in der Modelle überwiegend in R entwickelt wurden, war nicht skalierbar und konnte die Anforderungen an moderne MLOps-Praktiken nicht erfüllen.

Task

Als Senior Machine Learning Engineer übernahm ich die Verantwortung für die Entwicklung einer standardisierten, reproduzierbaren und skalierbaren ML-Infrastruktur in AWS SageMaker. Neben meinen technischen Aufgaben habe ich inoffiziell auch Rollen wie Product Owner, Requirements Engineer und ML Lead wahrgenommen. Ziel war der Aufbau einer Plattform, die sowohl für bestehende als auch zukünftige Use Cases als Blaupause dienen konnte.

Action

• Migration eines bestehenden Use Cases von R nach Python sowie von On-Premise nach AWS.
• Beratung bei der Architektur der ML-Plattform aus ML-Sicht und parallele Implementierung von Komponenten.
• Aufbau einer automatisierten ML-Pipeline in SageMaker, inkl. Entwicklung von Testframeworks für Data Quality, Modellvalidierung und CI/CD.
• Migration von Datenpipelines von R nach PySpark und von R nach scikit-learn, inkl. Datenaufbereitung und Split-Strategien.
• Evaluation und Integration von Tools für MLOps und Qualitätssicherung: MLflow, Evidently AI, Pandera, Sonarqube, Artifactory.
• Einsatz moderner Engineering-Praktiken: Docker, GitLab CI, Python Semantic Release, mypy, Ruff, Pytest (inkl. Coverage), Poetry, Pydantic, Copier.
• Aufbau von Monitoring und Automatisierung mit AWS Functions und boto3.
• Enge Zusammenarbeit mit Stakeholdern zur Roadmap-Entwicklung, Produktstrategie und Requirements Engineering.
• Coaching und Training der Use-Case-Teams zur Nutzung der neuen Cloud-Umgebung, Tools und Best Practices.
• Arbeit nach agilen Methoden (Scrum, SAFe) mit Jira und Confluence.

Result

Es entstand eine standardisierte und skalierbare ML-Infrastruktur, die als Grundlage für mehrere Use Cases dient und den Weg für reproduzierbare, qualitätsgesicherte Machine-Learning-Prozesse ebnete. Erste migrierte Anwendungsfälle konnten erfolgreich in die neue Umgebung überführt werden, während gleichzeitig eine Blaupause für zukünftige Projekte geschaffen wurde.