Data Science · KI · Build in public
Data-Science- und KI-Absolvent vom Le-Wagon-Bootcamp. Ich baue praktische Projekte öffentlich auf — containerisierte ML-APIs, KI-Agenten, Automatisierungen. Meine zehn Jahre im Digital Marketing helfen mir, die richtigen Probleme zu definieren und messbare Ergebnisse zu liefern.
01
Nach über zehn Jahren im Digital Marketing habe ich mich über das Le-Wagon-Bootcamp auf Data Science und KI spezialisiert. Heute baue ich konkrete Projekte – FastAPI-Services auf GCP Cloud Run, Vorhersagemodelle, Multi-Agenten-Systeme – die ich offen auf GitHub teile.
Meine Methode: Ausgehen von einem klaren Business-Problem, Baseline gegen einen verbesserten Ansatz vergleichen, Annahmen und Grenzen dokumentieren, reproduzierbar liefern. Reproduzierbarkeit, Messbarkeit, ehrliche Kommunikation der Trade-offs – für Projekte, die etwas bewegen, nicht für Demos.
Mein Marketing-Hintergrund bleibt ein Plus – ich lese Daten mit Business-Brille und kenne die Bedeutung eines KPI für ein Team. Ziel: eine erste Position als Junior Data Scientist, ML-KI-Praktikum oder Mitarbeit an einem echten Data-/KI-Projekt – Westschweiz, hybrid oder remote.
02
03
Eine Auswahl persönlicher Projekte, live oder in aktiver Entwicklung.
Auf Google Cloud Run bereitgestellter ML-Vorhersage-Service: containerisierte FastAPI-App mit Vorhersage-Endpoint, interaktiver Swagger-Dokumentation und reproduzierbarer Projektstruktur (Dockerfile, Makefile, Tests). Konzipiert als wiederverwendbares Rückgrat für die Produktion eines ML-Modells.
Multi-Agenten-KI-System, das die Jobsuche automatisiert: Bewertung von Angeboten anhand mehrerer Dimensionen, Erstellung ATS-optimierter Lebensläufe und Einreichung von Bewerbungen via Playwright.
NVFP4-Checkpoint (compressed-tensors, ~18 GB) von Qwen3.8-27B, paketiert für vLLM auf NVIDIA Blackwell / DGX Spark (GB10). Gewichtsraum-Edit (Abliteration der Schichten 18–51, kein Fine-Tune), dann Oneshot-Quantisierung mit llm-compressor. Ziel: lokale Inferenz auf Spark, Kontext bis 262k mit FP8-KV-Cache.
Zweisprachiges (FR/EN) Evaluationsset zur Messung von Verweigerung vs. Compliance eines LLM nach Abliteration. Französische Übersetzung der Prompts (GX10 qwen-coder, nur Übersetzung), Qwen3Guard-Labels, ohne Assistant-Completions — kein Fine-Tune-Korpus. Dedupliziert, auf Hugging Face veröffentlicht.
Minimaler MCP-Server zum Lesen und Senden von E-Mails über IMAP/SMTP — ohne externe Abhängigkeiten (nur Python-Stdlib). Kompatibel mit Claude Desktop, Cursor, Hermes und jedem MCP-Client. Funktioniert mit jedem Mail-Anbieter (Infomaniak, Gmail, iCloud, Proton Bridge…).
Benchmark-Tool zur Messung der Fähigkeit von LLMs, spezifischen Code in langen Kontexten präzise abzurufen: testet Positionsrückruf durch wörtliche Reproduktion von JS/Python-Funktionen, mit automatischem Zeilen-Scoring und vergleichenden Plotly-Dashboards.
04
Solider Marketing-Background, ergänzt durch ein intensives Data-Science- und KI-Bootcamp.
Python, ML, Deep Learning, angewandte KI im Unternehmen.
05
Zehn Jahre an der Schnittstelle von Digital Marketing, Daten und operativer Steuerung.
05
Offen für eine erste Position als Junior Data Scientist, ML-KI-Praktikum oder Mitarbeit an einem echten Data-/KI-Projekt. Schreiben Sie mir.
La Tour-de-Peilz · Westschweiz