Aufsetzen der Steuerungsmodule für die Machinelearning-Infrastruktur von Selfdriving Cars sowie die Auslagerung der Arbeitsprozesse auf ein skalierbares Cloudsystem.
Automatisierte Bereitstellung von Produktions- und Testumgebungen.
Teilnahme an der internationalen Kaggle Competition der Otto Gruppe für ein Onlineshop Recommender System, als Teil des dreiköpfigen avameo-Inovationsteams.
· Ziel ist die Verbesserung des Online-Shop Produkt-Empfehlungssystems
· Drei verschiedene, statistische sowie KI basierte Ansätze wurden entwickelt und zu einem Ensemble-System zusammengefügt.
Updatesystem des tensorscope Seminal Analyzers, einer Windows Desktop Applikation:
· Drei-Stufiges Rolloutsystem
· Continuous Delivery (CICD)
· Aktualisierung der Softwareversion
· Sicherheits-Updates
· Fehlerbehebung
· .NET Integration
· Einführung von neuen Features
Medizinproduktzulassung des Seminal Analyzer. Dieser unterliegt den Richtlinien der IEC 62304 ?Medizingera?te-Software - Software-Lebenszyklus-Prozesse?. Als Teil des Medizinprodukt Zertifizierungs-Teams arbeitete er an den folgenden Komponenten:
· Software-Entwicklungsplan
· Software-Anforderungsplan
· Software-Architekturbeschreibung
· Softwaredokumentation
· Erstellung von SOPs ?Standard Operating Procedures? für integrierte Softwareentwicklung, Change-Management, Softwareproblemlösung, Softwarebereitstellung
· Risk Management Plan
· Risk Acceptance Matrix
Entwicklung einer Software zur automatischen Auswertung des männlichen Ejakulates auf Basis von Bildmaterial:
· Entwicklung der Computer Vision Auswertungs-Pipeline
· Bild/Video basierte Konzentrations- und Motilitäts- Analyse von Spermienzellen unter einem Mikroskop
· Bilddatenverarbeitung (PNG, JPEG, MP4-VP9)[ZB|aG1]
· Aufbereitung der Rohdaten
· Extraktion des so gen. Makler/Neubauer Zellkonzentrationsbestimmungs-Rasters
· Segmentierung der Spermienzellen durch ein KI-Modell
· Zelllokalisierung und Motilitätsbestimmung (Bestimmung des Bewegungsverhaltens)
· Ergebnisaufbereitung im JSON-Dateiformat
· Entwicklung einer API-Schnittstelle, welche Bilder und Videos annimmt und diese Auswertet
[ZB|aG1]Auflösung, Datenvolumen, codex...
Konzeption und Umsetzung einer eigenen Cloud-Plattform. Folgende Komponenten und Eigenschaften wurden umgesetzt:
· Server in fünf Datencentern Europaweit
· EU-Datenschutz Konformität
· Aufsetzen eines Kubernetes Cluster
· Redundantes S3 Speichersystem
· GPU beschleunigte Machine Learning Inference
· Microservice System Umgebungs-Isolation (Production, Dev)
· Cloudflare Access (Cluster Security)
· Load Balancing und Cloudflare Argo Tunnel
· Lambda Function Framework (serverless)
Konzeption, Entwicklung und Backendinfrastrukturplanung einer KI-Trainingspipeline für großangelegtes Modell Training:
· Datenset-Erstellung aus gelabelten Bild- und Videodaten
· Daten-Augmentation live während des Trainings
· Modell Training mit variablen Modellarchitekturen
· Trainings Visualisierung mit Tensorboard
· Modell Evaluierung auf verschiedene Parameter: Sensitivity (lower-, mean, upper- limit); True/False Positives/Negatives (%)
· Permanente Speicherung der folgenden Daten: Evaluierungs-Ergebnisse, Trainings-Logs, Datensets, Trainingskonfigurationen, Modell Checkpoints und Produktionsfertige Modelle
· Steuerbar über Command-Line-Interface und Atlassian Jira
· Statusübersicht auf Jira-Board
· Datenset-Erstellung kompatibel mit dem Firmeninternen Daten-Labeling Systems
· Automatisches Training bei Eingang von neuen Kundendaten
· Erstellung von über > 1000 Datensätzen
· Training von über > 500 KI-Modellen
Applikation zur Händischen Markierung (Labeling) von Zellen auf Mikroskop Aufnahmen (Bilder/Videos):
· Zellen können lokalisiert, klassifiziert und deren Bewegungsverhalten bestimmt werden.
· Web-UI in der Daten nach Kunden sortiert und dem Labelingstatus entsprechend gefiltert werden.
· Bilddaten können geöffnet und in einer eigenen Oberfläche bearbeitet werden.
· API-Schnittstelle zwischen Datenbank und Web UI
· S3-Speicher Integration
· Integriert in die Firmeninterne Trainings Pipeline
· Neue Kundendaten werden automatisch eingefügt
· Benachrichtigungs-System bei Dateneingang
· Automatische Arbeitszuweisung zu zuständigen Mitarbeitern
Forschungsprojekt welches sich mit der Lokalisierung von Zellobjekten auf Mikroskopischen Aufnahmen beschäftigt:
· Entwicklung eines eigenen Bildsegmentierungsansatzes
· Weniger als 50 Einzelbilder benötigt für erfolgreiches Modell-Training.
· Trainingszeit beträgt 8-16 Stunden.
· Ein Modell kann per ?fine tuning training? in wenigen Stunden auf jegliche Mikroskope angepasst werden.
Konzeption und Entwicklung einer Pupillenreaktionsanalyse mit Hilfe von Consumer-Hardware und niedrig qualitativen Kamerasystemen für den Einsatz in abgelegenen, indischen Regionen.
Aufsetzen der Steuerungsmodule für die Machinelearning-Infrastruktur von Selfdriving Cars sowie die Auslagerung der Arbeitsprozesse auf ein skalierbares Cloudsystem.
Automatisierte Bereitstellung von Produktions- und Testumgebungen.
Teilnahme an der internationalen Kaggle Competition der Otto Gruppe für ein Onlineshop Recommender System, als Teil des dreiköpfigen avameo-Inovationsteams.
· Ziel ist die Verbesserung des Online-Shop Produkt-Empfehlungssystems
· Drei verschiedene, statistische sowie KI basierte Ansätze wurden entwickelt und zu einem Ensemble-System zusammengefügt.
Updatesystem des tensorscope Seminal Analyzers, einer Windows Desktop Applikation:
· Drei-Stufiges Rolloutsystem
· Continuous Delivery (CICD)
· Aktualisierung der Softwareversion
· Sicherheits-Updates
· Fehlerbehebung
· .NET Integration
· Einführung von neuen Features
Medizinproduktzulassung des Seminal Analyzer. Dieser unterliegt den Richtlinien der IEC 62304 ?Medizingera?te-Software - Software-Lebenszyklus-Prozesse?. Als Teil des Medizinprodukt Zertifizierungs-Teams arbeitete er an den folgenden Komponenten:
· Software-Entwicklungsplan
· Software-Anforderungsplan
· Software-Architekturbeschreibung
· Softwaredokumentation
· Erstellung von SOPs ?Standard Operating Procedures? für integrierte Softwareentwicklung, Change-Management, Softwareproblemlösung, Softwarebereitstellung
· Risk Management Plan
· Risk Acceptance Matrix
Entwicklung einer Software zur automatischen Auswertung des männlichen Ejakulates auf Basis von Bildmaterial:
· Entwicklung der Computer Vision Auswertungs-Pipeline
· Bild/Video basierte Konzentrations- und Motilitäts- Analyse von Spermienzellen unter einem Mikroskop
· Bilddatenverarbeitung (PNG, JPEG, MP4-VP9)[ZB|aG1]
· Aufbereitung der Rohdaten
· Extraktion des so gen. Makler/Neubauer Zellkonzentrationsbestimmungs-Rasters
· Segmentierung der Spermienzellen durch ein KI-Modell
· Zelllokalisierung und Motilitätsbestimmung (Bestimmung des Bewegungsverhaltens)
· Ergebnisaufbereitung im JSON-Dateiformat
· Entwicklung einer API-Schnittstelle, welche Bilder und Videos annimmt und diese Auswertet
[ZB|aG1]Auflösung, Datenvolumen, codex...
Konzeption und Umsetzung einer eigenen Cloud-Plattform. Folgende Komponenten und Eigenschaften wurden umgesetzt:
· Server in fünf Datencentern Europaweit
· EU-Datenschutz Konformität
· Aufsetzen eines Kubernetes Cluster
· Redundantes S3 Speichersystem
· GPU beschleunigte Machine Learning Inference
· Microservice System Umgebungs-Isolation (Production, Dev)
· Cloudflare Access (Cluster Security)
· Load Balancing und Cloudflare Argo Tunnel
· Lambda Function Framework (serverless)
Konzeption, Entwicklung und Backendinfrastrukturplanung einer KI-Trainingspipeline für großangelegtes Modell Training:
· Datenset-Erstellung aus gelabelten Bild- und Videodaten
· Daten-Augmentation live während des Trainings
· Modell Training mit variablen Modellarchitekturen
· Trainings Visualisierung mit Tensorboard
· Modell Evaluierung auf verschiedene Parameter: Sensitivity (lower-, mean, upper- limit); True/False Positives/Negatives (%)
· Permanente Speicherung der folgenden Daten: Evaluierungs-Ergebnisse, Trainings-Logs, Datensets, Trainingskonfigurationen, Modell Checkpoints und Produktionsfertige Modelle
· Steuerbar über Command-Line-Interface und Atlassian Jira
· Statusübersicht auf Jira-Board
· Datenset-Erstellung kompatibel mit dem Firmeninternen Daten-Labeling Systems
· Automatisches Training bei Eingang von neuen Kundendaten
· Erstellung von über > 1000 Datensätzen
· Training von über > 500 KI-Modellen
Applikation zur Händischen Markierung (Labeling) von Zellen auf Mikroskop Aufnahmen (Bilder/Videos):
· Zellen können lokalisiert, klassifiziert und deren Bewegungsverhalten bestimmt werden.
· Web-UI in der Daten nach Kunden sortiert und dem Labelingstatus entsprechend gefiltert werden.
· Bilddaten können geöffnet und in einer eigenen Oberfläche bearbeitet werden.
· API-Schnittstelle zwischen Datenbank und Web UI
· S3-Speicher Integration
· Integriert in die Firmeninterne Trainings Pipeline
· Neue Kundendaten werden automatisch eingefügt
· Benachrichtigungs-System bei Dateneingang
· Automatische Arbeitszuweisung zu zuständigen Mitarbeitern
Forschungsprojekt welches sich mit der Lokalisierung von Zellobjekten auf Mikroskopischen Aufnahmen beschäftigt:
· Entwicklung eines eigenen Bildsegmentierungsansatzes
· Weniger als 50 Einzelbilder benötigt für erfolgreiches Modell-Training.
· Trainingszeit beträgt 8-16 Stunden.
· Ein Modell kann per ?fine tuning training? in wenigen Stunden auf jegliche Mikroskope angepasst werden.
Konzeption und Entwicklung einer Pupillenreaktionsanalyse mit Hilfe von Consumer-Hardware und niedrig qualitativen Kamerasystemen für den Einsatz in abgelegenen, indischen Regionen.