Forschung

Forschungsnotizen, Ergebnisse und ausgewählte Entwicklungsarbeit zu zuverlässigen KI-Systemen, Evaluation und Forschungsinfrastruktur.

Forschungsprofil

Mein Forschungsinteresse liegt zwischen zuverlässigen KI-Systemen, empirischer Evaluation und Software Engineering für KI. Mich interessiert, wie KI-Systeme verstanden, modelliert und evaluiert werden können, sodass robuste Systeme und belastbare wissenschaftliche Erkenntnisse entstehen. Dazu gehören zertifizierte Robustheit und Randomized Smoothing, aber auch die breitere Frage, wie technische Messgrößen mit praktischer Nützlichkeit, Reproduzierbarkeit und verantwortbarer Anwendung zusammenhängen.

Forschungsergebnisse

  • Rethinking Certified Training Efficiency: A Benchmarking Framework and Empirical Investigation for Randomized Smoothing

    Empirische Arbeit zu Randomized Smoothing, zertifizierter Robustheit, kontrolliertem Benchmarking und Trainingseffizienz.

    Diese Arbeit untersucht die praktischen Kosten zertifizierter Robustheit. Der zentrale Verlauf besteht darin, eine breite Zuverlässigkeitsfrage in kontrollierte Experimente zu übersetzen: Methoden für zertifiziertes Training unter gemeinsamen Bedingungen benchmarken und anschließend Interventionen wie LossProj und Selective Backpropagation im Hinblick auf zertifizierte Qualität und Trainingskosten bewerten.

    Die öffentliche Zusammenfassung bleibt bewusst evidenzgebunden: BenchmarkCtrs macht Kosten-Robustheits-Trade-offs sichtbar; LossProj ist diagnostisch und methodenabhängig; Selective Backpropagation senkt Trainingskosten und erhält in den untersuchten Einstellungen konkurrenzfähige zertifizierte Qualität. Die breitere Lehre ist, dass zuverlässige KI-Forschung nicht nur von Modellen abhängt, sondern auch von klarer Problemformulierung, sauberer Evaluation und reproduzierbaren Werkzeugen.

Projekte

  • API-Management Und LLM-gestützter Mocking-Service

    Ein forschungsnaher interner Service für API-Management und Schnittstellenprototyping mit agentischem LLM-basiertem Entwicklungsassistenten.

    Am August-Wilhelm Scheer Institut entwickelte ich einen internen API-Management- und Mocking-Service mit einem agentischen LLM-basierten Entwicklungsassistenten. Ziel war es, die Prototypisierung von Service-Schnittstellen und Integrationsworkflows für forschungsnahe KI- und Cloud-Projekte zu beschleunigen.

    Das Projekt verband Service-API-Design, Frontend-Arbeit, Backend-Implementierung und LLM-Tooling. Es passt zur praktischen Seite meines Profils: offene technische Anforderungen in interne Werkzeuge übersetzen, die Experimente und Integration für andere erleichtern.

  • Odoo-Gestützte Publikationsverfolgung Und Cloud-Kostenberichte

    Interne Odoo-gestützte Workflows für Publikationslogging, automatische Datenbefüllung über n8n und Berichte zu Cloud-Kosten aus heterogenen Providern.

    Am August-Wilhelm Scheer Institut arbeitete ich an Odoo-gestützten internen Systemen, die operative Daten mit Forschungs- und Geschäftsreporting verbanden. Ein Teil unterstützte das Logging und Tracking von Publikationen, einschließlich automatischer Datenbefüllung über integrierte n8n-Workflows.

    Ein weiterer Teil konzentrierte sich auf die Aggregation und Auswertung von Cloud-Kosten aus heterogenen Providern. Die Arbeit erforderte die Modellierung von Infrastruktur- und Publikationsdaten, verständliche Datenflüsse für Nicht-Spezialisten und die Verbindung operativer Transparenz mit Systemen, die Teams bereits nutzten.

  • Federated-Learning-Infrastruktur

    Deployment und Betreuung einer Federated-Learning-Serverinstanz für verteilte ML-Experimente.

    Ich deployte und betreute eine Federated-Learning-Serverinstanz für verteilte ML-Experimente. Dadurch sammelte ich praktische Erfahrung mit Infrastruktur für datenschutzbewusstes und verteiltes Training, jenseits des Modellcodes selbst.

    Die Arbeit liegt nahe an meinen Research-Engineering-Interessen: ML-Experimente brauchen zuverlässige Infrastruktur, sichtbare Annahmen und Abläufe, die den Zustand eines Experiments für das Team nachvollziehbar machen.

  • Enigma Virtual Assistant SaaS

    Backend-Architektur und Produktentwicklung für eine NLP-gestützte Virtual-Assistant-SaaS mit Social-Messaging-Integrationen.

    Bei EnigmaAI konzipierte ich Backend-Services für die Enigma Virtual Assistant SaaS. Das System verband NLP-basierte Chatbot-Workflows mit Social-Messaging-Kanälen, darunter Facebook Graph API und WhatsApp Business API, und unterstützte mandantenfähiges SaaS-Verhalten.

    Das Projekt verband Backend-Architektur, Datenflussdesign, ML-nahe Implementierung und technische Leitung in einem Startup-Kontext. Ich führte ein kleines Engineering-Team durch Produktdesign, Implementierung und Auslieferung und arbeitete selbst an Backend- und ML-naher Entwicklung mit.