Durchdacht gebaut, ehrlich ausgewertet.
Eigene Projekte und Arbeit aus dem Berufsalltag zu generativer KI, Machine Learning sowie Full-Stack- und Cloud-Anwendungen. Zu jedem Projekt stehen die wichtigsten Entscheidungen und das, was ich dabei gelernt habe.
RT-Vector
Ein eigener Dokumenten-Chat: Du lädst Dokumente hoch und stellst Fragen zu ihrem Inhalt. Welches Sprachmodell antwortet, ist frei wählbar.
- Herausforderung
- Antworten eines Sprachmodells sind nur so gut wie die Textstellen, die es zu sehen bekommt. Wie zerlegt man Dokumente so, dass die richtigen Inhalte gefunden werden?
- Lösung
- Eine Webanwendung, die PDFs, Word-Dateien und Co. mit Machine Learning einliest und in Abschnitte zerlegt. Wie sauber diese Datenextraktion gelingt, bestimmt später die Qualität der Antworten. Eine Datenbank findet zu jeder Frage die passenden Textstellen, sowohl nach Bedeutung als auch nach Stichworten. Mehrere Verarbeitungsschritte planen die Suche, sortieren die Treffer nach Relevanz und kontrollieren die Antwort. Als Sprachmodell stehen fünf Anbieter zur Wahl, darunter OpenAI und Anthropic (Claude), aber auch Modelle, die lokal auf dem eigenen Rechner laufen.
- Ergebnis & Erkenntnis
- Ich habe drei Strategien zum Zerlegen der Texte (Chunking) auf einem öffentlichen Testdatensatz mit einem etablierten Bewertungsverfahren verglichen. Die Art der Zerlegung wirkt sich messbar auf die Antwortqualität aus, und keine der drei Strategien lag bei allen Kennzahlen vorn.
- Next.js
- React
- TypeScript
- FastAPI
- Python
- PostgreSQL
- pgvector
- Docling
- Docker
Market Prediction: Kann man den Markt „timen“?
Ein im Team entwickeltes Modell, das aus Marktdaten und Nachrichtenstimmung vorhersagt, ob die Tesla-Aktie kurzfristig steigt oder fällt. Keine Anlageberatung.
- Herausforderung
- Aktienkurse schwanken stark und reagieren auf Nachrichten. Mit reinen Kursdaten kommt eine Prognose deshalb kaum aus.
- Lösung
- Marktdaten von Yahoo Finance (inklusive Vergleichswerten wie S&P 500, NASDAQ und Dollar-Index) kombiniert mit der Nachrichtenstimmung zu Tesla aus der Nachrichtendatenbank GDELT. Durch zusätzlich berechnete Kennzahlen wuchs der Datensatz von 56 auf 303 Merkmale; doppelte und unwichtige Merkmale wurden anschließend schrittweise aussortiert. Das Modell (XGBoost) wurde mit 324 Einstellungs-Kombinationen getestet und optimiert.
- Ergebnis & Erkenntnis
- Das einfache Modell erreichte bereits eine Trefferquote (Accuracy) von 0,6606, sagte aber an jedem Tag „fällt“ voraus. Weil an rund zwei Dritteln der 495 Tage im Testzeitraum (Kalendertage) der Kurs tatsächlich nicht gestiegen war, sah die Zahl gut aus, obwohl das Modell keinen einzigen Anstieg erkannte. Erst das erweiterte Modell mit der größten Merkmalsauswahl erkannte zumindest einen Teil der Anstiege. Gelernt habe ich daraus, dass die Trefferquote allein täuschen kann und die Metrik zur Fragestellung passen muss. Einschränkend gilt: Nachrichtendaten sind stark verrauscht, und aus vergangenen Kursen lässt sich die Zukunft nicht sicher ableiten.
- Python
- XGBoost
- Pandas
- Streamlit
- GDELT
- Docker
- uv
Full-Stack-Webanwendung in einem Automobilkonzern
Weiterentwicklung einer internen Webanwendung in Frontend und Backend, einschließlich Schnittstellen, Testkoordination und Release-Management.
- Herausforderung
- Eine interne Full-Stack-Webanwendung sollte weiterentwickelt und über Schnittstellen mit weiteren Systemen verbunden werden.
- Lösung
- Umgesetzt mit TypeScript (Angular) im Frontend sowie Python (FastAPI) und PostgreSQL im Backend, containerisiert in der Cloud bereitgestellt.
- Ergebnis & Erkenntnis
- Zu meinen Aufgaben gehörten die Koordination der Tests im Projektteam und das Release-Management. Mitgenommen habe ich vor allem, dass im Konzernumfeld saubere Schnittstellen und geordnete Releases genauso viel Gewicht haben wie der Code.
- TypeScript
- Angular
- Python
- FastAPI
- PostgreSQL
KI-integrierte Cloud-Anwendungen für einen Versicherungsmakler
Interne Anwendungen und Systemarchitektur eigenständig entwickelt, mit Schwerpunkt auf KI-Funktionen in der Microsoft-Azure-Cloud.
- Herausforderung
- Bestehende Anwendungen sollten KI-Funktionen bekommen, ohne dass Architektur und Performance darunter leiden.
- Lösung
- KI-Funktionen für bestehende Anwendungen konzipiert und umgesetzt, Anwendungen und Services auf Microsoft Azure aufgebaut, Webanwendungen mit Blazor und C# sowie Dashboards mit React und Next.js entwickelt.
- Ergebnis & Erkenntnis
- Anforderungen eigenständig analysiert und umgesetzt, einschließlich Systemarchitektur und Performance-Optimierung. Mitgenommen habe ich, dass KI-Funktionen im Alltag nur dann genutzt werden, wenn sie zu den bestehenden Abläufen und Anwendungen passen.
- C#
- Blazor
- Microsoft Azure
- KI-Integration
- React
- Next.js
Weitere Experimente
Weitere Projekte habe ich als Fallstudien und Artikel in den Insights aufgeschrieben: ein Sprachmodell mit LoRA anpassen, Angriffe auf Kubernetes mit Wazuh erkennen und einen eigenen Smart Contract entwickeln.
Lass uns über Dein Projekt sprechen.
Das erste Gespräch ist kostenlos und unverbindlich. Erzähl mir von Deinem Vorhaben, danach weißt Du, ob und wie ich Dir dabei helfen kann.
-
E-Mailinfo@
martindo.de - Telefon+49 1590 264 3534
-
StandortStuttgart