08/04/2026 updated
100 % available
AI Engineer | Machine Learning, Evaluation, Datenqualität | Ex-Lyft Robotaxi, Woven by Toyota
Dublin, Ireland
Worldwide
Master of Science in Electrical Engineering and Information TechnologyAbout me
ML-Systeme scheitern selten am Modell, sondern an den Daten und daran, dass niemand belegen kann, ob die letzte Änderung etwas gebracht hat. Genau das ist meine Arbeit: Datenqualität, ehrliche Evaluation, messbare Releases. Sieben Jahre autonomes Fahren bei Lyft und Woven by Toyota.
AI AgentsLLMMLOpsA/B TestingUnixC++ (Programming Language)Data ArchitecturePython (Programming Language)Machine LearningPyTorchGitDocker
Daten und Evaluation als Grundlage für Modellarbeit
Ob ein Modell besser wird, entscheidet sich meistens vor dem Modell: an der Qualität der Daten und daran, ob sich der Effekt einer Änderung sauber messen lässt. Stimmt beides, werden Modellexperimente überhaupt erst aussagekräftig. Genau dort setze ich an: Datenqualität, ehrliche Evaluation, reproduzierbare Trainings- und Release-Prozesse. Läuft dieser Kreislauf, werden Verbesserungen planbar statt zufällig.
Nachweisen, dass es besser geworden ist
Der Nachweis, dass ein neues System besser ist oder wenigstens nicht schlechter, gehört zu den schwersten Aufgaben in der KI-Entwicklung. Bei Lyft und Toyota musste jede Auslieferung diesen Nachweis erbringen, bevor sie auf die Straße durfte. Ich habe an der Schnittstelle von ML-Entwicklung, Validierung, Betrieb und Freigabe gearbeitet und die Prozesse aufgebaut, die Software und Modelle in den öffentlichen Straßenverkehr gebracht haben. Daraus ist ein praxistauglicher Umgang mit Nichtregression und quantifizierbarer Wirkung entstanden, der überall greift, wo KI in den Produktivbetrieb geht. Seit KI auch in den Entwicklungsprozessen steckt und nicht nur im Produkt, wird das noch wichtiger.
Datenqualität und Trainingsdaten
Fehleranalyse vor Modellwechsel, gezielte Datenerhebung, Active Learning, Ablösung von Altdaten, Anbindung neuer Quellen. Bei Woven by Toyota hatte ich die fachliche Führung für die Trainingsdaten des ML-Planners und habe diese Arbeit zwischen den Teams in den USA und Großbritannien abgestimmt.
Auf dem Stand bleiben
Ich halte mich über eigene Projekte auf dem Laufenden, nicht über Newsletter. Zuletzt eine Echtzeit-Computer-Vision-App, gebaut vor allem, um herauszufinden, wie sich mit Claude Code sauber entwickeln lässt. Daraus ist ein eigener Entwicklungsagent entstanden, der Aufgaben nachts bis zum Pull Request bearbeitet: ein Agenten-Anwendungsfall mit echtem Nutzen statt Demo. Dazu bin ich regelmäßig auf Tech- und Startup-Events in Dublin unterwegs, wo LLMs, Agenten und Agentic Engineering das Dauerthema sind.
Autonomes Fahren als Prüfstand
Sieben Jahre Entwicklung autonomer Fahrzeuge. Einer der ersten 40 Ingenieure im Robotaxi-Team von Lyft, vom Prototyp bis auf die öffentliche Straße und durch die Übernahme durch Toyota für 550 Mio. USD. Danach Staff Software Engineer am ML-Planner bei Woven by Toyota. Zwei Patente, eines davon zu Active Learning auf Fallback-Daten. Der Maßstab ist dort hoch, und genau deshalb trägt die Methodik auch in anderen Domänen.
Hintergrund
15 Jahre Produktivsoftware, keine Forschung. M.Sc. Elektro- und Informationstechnik, TU München, Masterarbeit zum autonomen Fahren bei BMW. Am besten läuft die Zusammenarbeit mit kleinen, eigenverantwortlichen Teams: Start-ups, Scale-ups und eigenständige Einheiten in Konzernen. Deutsch und Englisch fließend, acht Jahre USA. Sitz in Dublin, tätig europaweit. Abrechnung über Fionn Innovation Limited (Irland).
Languages
GermanNative speakerEnglishNative speaker
Project history
- Echtzeit-Computer-Vision-Anwendung von der Idee bis zur geschlossenen Beta gebaut, seit 02/2026 im Test.
- Eigenen Entwicklungsagenten auf Basis von Claude Code aufgesetzt, der Aufgaben nachts eigenständig bis zum Pull Request bearbeitet.
- Aufbau der eigenen Praxis für AI- und ML-Engineering, seit 01/2026 als irische Limited.
Trainings- und Inferenzpipeline von biped auf quadruped erweitert, direkt in der UI umschaltbar. Preprocessing, Training und Inferenz entsprechend angepasst.
- Wiederholbare Analyseskripte gebaut: Vergleich von Trainingsläufen, Inferenz gegen die Trainingsverteilung, Open-Loop-Inferenz über mehrere Läufe hinweg. Dazu eine Sequenzfilterung, die den Datenstand eines früheren Laufs exakt reproduziert. Aus der Frage "stimmen die Daten?" wurde damit eine Prüfung, die jeder im Team selbst wiederholen kann.
- Zeitversatz in den Modell-Inputs gefunden und behoben.
- Parity-Analyse gegen eine Referenzimplementierung: Datenpipeline und Inferenz-Controller als Ursache für Foot Sliding ausgeschlossen, verbleibende Hauptdifferenz auf die Auxiliary Outputs des Modells eingegrenzt.
- Closed-Loop-Inferenz und Blending-Verhalten dokumentiert, Standardempfehlung für Root Blending geändert.
ML-Trainingspipeline für Charakteranimation in die node-basierte Oberfläche von AnimHost integriert und damit einen Workflow aus Kommandozeile und manuellem Editieren von Dateien abgelöst.
- Weg vom Rohdatensatz zum trainierten Modell von 10 technischen Schritten, mehrere davon undokumentierte Dateieingriffe, auf 4 Aktionen in der UI verkürzt. Conda- und Bibliotheks-Setup automatisiert.
- Drei Teammitglieder haben die komplette Pipeline allein anhand der README in etwa einer Stunde durchlaufen. Meine eigene Einarbeitung hatte zuvor einen ganzen Tag gedauert.
- Trainingsparameter, Ausführung und Fortschritt in der UI sichtbar gemacht, sodass Artists und Technical Directors kein Terminal mehr brauchen.