Muhammad Ali

Erstellung von AWS-ETL-Pipelines zur Erzeugung von Zeitreihen aus Sensordaten, die in produktive ML-Systeme eingespeist werden. Verarbeitung paralleler Datenströme mit PySpark, wodurch der Durchsatz um 20 % gesteigert wurde. Orchestrierung von Workflows in Airflow mit Wiederholungsversuchen, Warnmeldungen und der Behandlung von Abhängigkeiten. Bereitstellung von Kubernetes-Diensten auf AWS sowie Überwachung der Datenqualität, des Drifts und des Systemzustands. Automatisierung von ML-CI/CD mit GitHub Actions

Analyse von Netzwerkleistungs- und Ausfalldaten zur Ermittlung wiederkehrender Fehlermuster und zur Unterstützung der operativen Entscheidungsfindung Erstellung von KPI-Dashboards zur Echtzeitüberwachung operativer Kennzahlen, die täglich vom Betriebsteam genutzt werden Aufbereitung und Strukturierung operativer Datensätze zur Ermittlung von Trends hinsichtlich der Systemzuverlässigkeit

Konzeption und Implementierung einer ETL-Pipeline für hochfrequente PV- und Transformatorendaten. Verwaltung und Optimierung von Data Warehouses zur Ermöglichung von Echtzeitanalysen und -berichten. Entwicklung und Bereitstellung von Prognosemodellen für die Solarstromproduktion. Automatisierung von Workflows zur Datenerfassung und -transformation zur Steigerung der Pipeline-Effizienz. Zusammenarbeit mit funktionsübergreifenden Teams zur Sicherstellung von Datenqualität, Konsistenz und Skalierbarkeit.

Thesis Title: Development of a Scalable Machine Learning Pipeline on AWS for Optimizing Building Heating Systems using Reinforcement Learning and Transfer Learning Skills Developed: Machine Learning & AI, AI Agents, RAG, AWS, Cloud Computing, MLops, Databases, ETL Pipelines