Alex
Data Scientist & AI Engineer
"Gute Modelle beginnen nicht beim Algorithmus, sondern bei einer klaren Entscheidung."
Data Scientist & AI Engineer
"Gute Modelle beginnen nicht beim Algorithmus, sondern bei einer klaren Entscheidung."
Bachelorarbeit: Evaluation einer elektrochemischen Produktionsroute für Adipinsäure in AspenPlus. Der Umgang mit komplexen Systemen und präziser Auswertung prägt bis heute meine Arbeitsweise.
Schwerpunkt: Computergestützte Prozesssimulation und Modellierung. Parallel dazu wissenschaftliche Hilfskraft im Projekt InPROMPT (Mehrphasensysteme), Studienfachberater und Werkstudent in der Anlagenplanung.
Entwicklung von Software für sicherheitstechnische Analysen chemischer Anlagen – der Einstieg in die Verbindung von Verfahrenstechnik und Softwareentwicklung.
Planung, Beratung und Umsetzung von Digitalisierungsprojekten chemischer Anlagen in Schwarzheide. Entwicklung von KI-Lösungen und Agentensystemen, Support bestehender Anwendungen.
Entwicklung von KI-Lösungen und Agentensystemen sowie Planung, Beratung und Umsetzung von Digitalisierungsprojekten für die Prozessindustrie – Data Science und AI Engineering im industriellen Einsatz.
Eine Auswahl aus meiner Projektarbeit in der Prozessindustrie – von KI-Agentensystemen bis zu Prognosemodellen in der Produktion.
Entwicklung agentischer KI-Systeme – Chatbots und eventbasierte Agenten – für Datenanalysen, Sicherheitsdatenblätter und Qualitätsanalysen. Von der Prozessaufnahme über die Beratung bis zur Umsetzung.
Support und Erweiterung von Produktions-Dashboards als Projektmanager, Berater und Entwickler: Modellvalidierung, Prozessoptimierung durch Datenanalyse und Front-End. Dazu ein Batchanalysetool mit Prognosemodell für die Qualitätsmessung eines mehrstufigen Batchprozesses.
Entwicklung und Implementierung von Prognosemodellen zur Vorhersage von Schmelzflussindex und Farbwerten in der Kunststoffproduktion. Dazu Kleinprojekte wie Fouling-Detektion, automatisierte Rohrleitungslisten aus Fließbildern und KI-gestützte Auswertung von Überwachungsvideos.
Erst die Entscheidung, dann das Modell. Ein klarer Ablauf schützt vor glänzenden Ergebnissen, die am eigentlichen Problem vorbeigehen.
Wer entscheidet was, wann und mit welchen Konsequenzen? Zielgröße, Erfolgskriterium und Grenzen werden vor der Analyse festgelegt.
Herkunft, Vollständigkeit, Verzerrungen und mögliche Leckagen werden untersucht. Ein Datenprofil macht Risiken früh sichtbar.
Eine einfache Baseline setzt den Maßstab. Kandidatenmodelle werden mit realistischen Splits, relevanten Metriken und Fehleranalysen verglichen.
Analyse, Schnittstelle oder Dashboard werden für den Einsatz dokumentiert. Monitoring und Feedback schließen den Lernzyklus.