Tahasanul Ibrahim

• Senkte den Auswertungsaufwand von 220 auf 3,7 GPU-Stunden mit einem zweistufigen GPU/CPU-Cache. • Implementierte verteiltes 2-Rang-Training mit PyTorch, NVIDIA Collective Communications Library (NCCL) und Activation Checkpointing in 16 GB GPU-Speicher. • Orchestrierte sieben Trainingsketten in Python mit Kontingentverrechnung und Checkpoint-Resume. • Entwickelte unsicherheitsbewusste Dempster-Shafer-Ensembles für Objekterkennung, mit 213 Tests belegt. • Etablierte LLM-gestützte Code-Review-Workflows.

• Bereitete Merkmale für die Bedarfsprognose aus Wetter, Tageszeit, Feiertagen und Verbrauchshistorie auf und unterstützte die Modellbewertung. • Entwickelte und validierte Prognosemodelle für den Strombedarf und verglich maschinelles Lernen mit klassischen statistischen Ansätzen. • Trainierte CUDA-beschleunigte Transformer-Modelle für Prognosen und übergab bewertete Kandidaten an das Team. • Unterstützte Monitoring und Retraining in AWS-Workflows aus Lambda, SageMaker, Timestream, DynamoDB und Grafana.

• Leitete Planung und Umsetzung geförderter industrieller KI-Projekte mit Fertigung und Qualität. • Baute wiederverwendbare Python-Workflows mit Multi-GPU-CUDA-Training und Optuna-Suchen. • Baute und betrieb Retrieval-Augmented-Generation-Pipelines (RAG) für interne Nutzer mit Vektorsuche und Tool Calling. • Baute Datenpipelines und Databricks-Auswertungen und lieferte sie über GitLab CI/CD aus. • Entwickelte Sensorfusion und Unsicherheitsquantifizierung (UQ) für Anomalieerkennung auf Live-Maschinendaten.

ZIM-gefördert, mit ShoutR Labs. • Leitete und entwickelte automatisierte Regelfindung und Dempster-Shafer-Fusion zu priorisierten Reparaturempfehlungen. • Band die Bedienerführung über REST-APIs und OPC-UA-Mappings an Frontend und Produktionssysteme an und koordinierte die tägliche technische Umsetzung.

BMBF-gefördert, mit der GEDIA Automotive Group. • Entwickelte adaptive Fehlererkennung mit Feature-Engineering auf Live-OPC-UA- und MQTT-Daten und bewertete die Ströme alle 15 Sekunden. • Betrieb die Modelle auf lokaler Industriehardware an der Linie statt auf einem Server und validierte sie über Maschinen, Linien und Prozessrezepte. • Lieferte das umgebende System als Docker-Microservices mit Django- und Streamlit-Bedienoberflächen, veröffentlicht in begutachteter IEEE-Arbeit.

• Entwickelte adaptive Fehlererkennungsmodelle auf Produktionsdaten mit XGBoost, LightGBM, Ensemble-Methoden und Evidence Theory. • Wählte Features aus und optimierte Modellkombinationen und Hyperparameter in Vergleichsexperimenten, mit PCA zur Dimensionsreduktion. • Entwickelte gemeinsam einen Python-Kafka-Zweig, der Maschinendaten mit MySQL-Abfragen und dem FMEA-Diagnose-Workflow verband.

• Verantwortete Fernbetrieb und Störungsbehebung für sechs IoT-Emissionsmessstationen mit verteilten Geräten und Live-Sensordaten. • Baute die MQTT-Strecke von den Messstationen über ein LSTM-Prognosemodell bis zum Dashboard mit Rückkanal für eine SaaS-Cloud-Anwendung.