Data Scientist und Project Manager. Sechs Jahre Erfahrung im Aufbau echter Machine-Learning-Systeme. Hauptberuflich am Fraunhofer ISI. Daneben übernehme ich pro Jahr eine kleine Zahl unabhängiger Projekte für Unternehmen in Europa.
Eine kurze Auswahl. Ich teile Ergebnisse dort, wo ich es darf.
Eine Multi-Agenten-Plattform, die kleinen und mittelständischen Unternehmen hilft zu sehen, was als Nächstes kommt. Agenten scannen Signale, wägen Evidenz ab und schreiben entscheidungsreife Briefings.
Ein Tool, das aufkommende Technologien erkennt, bevor sie in der Fachpresse erscheinen. Bibliometrisches Mining und Sprachmodelle clustern schwache Signale zu klaren Trend-Karten.
Genutzt von Innovationsteams im EU-öffentlichen Sektor.
Bedarfsprognose für ein deutsches Logistikunternehmen.
12% besser als ARIMA-Baseline.
Eine zweiwöchige Diagnose einer Retrieval-Pipeline, die in Produktion falsche Antworten gab. Neuer Re-Ranker, neue Chunking-Strategie, ordentliches Evaluation-Set.
Zitiergenauigkeit 0,41 → 0,78. Falsche Antworten um ~70% reduziert.
Risikoklassifizierung, technische Dokumentation und Design der menschlichen Aufsicht für ein Hochrisiko-Gesundheitssystem.
Bestanden beim ersten internen Compliance-Review.
Zeitreihen, Forecasting und NLP für strategische Vorausschau.
Nur Umsetzung. Für Teams in der EU. €120 pro Stunde, ohne USt. (Kleinunternehmer §19 UStG). Englisch und einfaches Deutsch.
Senden Sie mir Ihre Systemdokumentation und das Problem, das Sie lösen. Sie erhalten ein schriftliches Review: was funktioniert, was riskant ist, was zuerst zu ändern ist. Asynchron, keine Meetings.
Vollständige Compliance-Bewertung nach dem EU AI Act. Risikoklassifizierung Ihrer KI-Systeme, Gap-Analyse und priorisierter Sanierungsplan.
Ein kurzes, fokussiertes Projekt, das eine Frage beantwortet: Lohnt sich die Reparatur dieses Systems, oder lohnt sich der Aufbau dieser Idee? Sie bekommen ein Audit oder einen funktionierenden Prototyp, je nach Bedarf.
Aufbau einer funktionierenden Evaluierungs-Harness für Ihr RAG-System. Baseline-Metriken, Fehler-Taxonomie und eine reproduzierbare Test-Suite für jedes Deployment.
Vier bis acht Wochen fokussierter Aufbau. Ich entwerfe das System, schreibe den Code, richte Monitoring ein und übergebe es betriebsbereit. Zwei Wochen Support nach dem Launch inklusive.
Quartals-Outcomes: Einstellung Ihres ML-Engineers, Deployment von 1–2 Produktionsmodellen, Aufbau einer Eval-Harness. Ein Tag pro Woche, drei Monate Minimum.
Etwas anderes im Sinn, etwa EU-AI-Act-Bewertung, eine zweite Meinung zu einem Anbieter oder ein einmaliges Code-Review? Schreiben Sie mir.
Fünf Schritte. Keine Proposal-Templates, keine Agentur-Layer.
Dreißig Minuten. Was Sie bauen und wo es hakt.
Innerhalb von 48 Stunden. Klares Deliverable, Festpreis.
Shared Tool, Slack-Kanal, wöchentliches schriftliches Update.
Code, Evaluation, Docs. Demo bei jedem Meilenstein.
Training für Ihr Team und zwei Wochen Post-Launch-Fixes.
Eine kleine Auswahl. Referenzen auf Anfrage verfügbar.
In der ersten Woche hat Bhavesh drei Fehlermodi in unserer RAG-Pipeline gefunden, die wir monatelang gejagt hatten. Das Evaluation-Set, das er gebaut hat, ist jetzt der Standard für unsere anderen ML-Services.
Wir brauchten jemanden, der den EU AI Act tatsächlich lesen und in einen Bauplan umsetzen kann. Bhavesh hat beides gemacht, ruhig, in drei Wochen. Er hat uns sechs Monate rechtliches Hin und Her erspart.
Eine seltene Mischung: Senior-Urteilsvermögen, ein echtes Publikationsrekord und jemand, der tatsächlich den Code schreibt. Er hat widersprochen, wo unser interner Lead es nicht getan hätte. Deshalb haben wir ihn auf Retainer behalten.
Ein dreißigminütiges Kennenlern-Gespräch. Kein Pitch. Wenn ich nicht die richtige Person bin, empfehle ich Ihnen jemanden, der besser passt.
Vollständige Inhalte zu Projekten, Referenzen und Werdegang gibt es auf der englischen Hauptseite.