01/05/2026 updated
CC
60 % partially available
ML Engineer & Data Scientist | Computer Vision, NLP & Predictive Analytics
Bogota, Colombia
Only remote
Bachelor of Engineering - Software EngineeringAbout me
ML-Ingenieurin für Computer Vision (95%+ Genauigkeit), NLP mit Speech Recognition, ETL-Pipelines. Tech-Stack: Python, TensorFlow, PyTorch, SQL, Docker, Git. MLOps-Fokus: Clean Code, automatisierte Tests, CI/CD, reproduzierbare Workflows. Master-Studium in Künstlicher Intelligenz (KI).
Clean Code PrinciplesApplication Programming Interfaces (APIs)AlgorithmsData AnalysisComputer VisionTest AutomationMultilingualismContinuous IntegrationExtract Transform Load (ETL)Database DesignDevOpsForecastingScalabilityImage ProcessingPython (Programming Language)
Computer Vision & Deep Learning Spezialistin
Entwicklung produktionsreifer CV-Systeme mit 95%+ Genauigkeit. Expertise in CNNs, YOLOv11, Image Classification und Object Detection mit TensorFlow, PyTorch und OpenCV.
Natural Language Processing (NLP)
Fortgeschrittene NLP-Implementierung: Speech Recognition, Echtzeit-Übersetzung, Transformer-Modelle und mehrsprachige Anwendungen (3 Sprachen produktiv).
Python & Data Science Expertise
Expertenlevel in Python mit TensorFlow, PyTorch, scikit-learn, Pandas, NumPy. Umfassende Erfahrung in statistischer Analyse, Feature Engineering und Predictive Modeling.
SQL & ETL/ELT-Pipelines
Sehr gute Kenntnisse in PostgreSQL, MySQL. Design und Implementierung skalierbarer Datenpipelines für große Datensätze (10.000+ Bilder).
MLOps & Software Engineering
Clean Code, Git, Docker, CI/CD-Pipelines, automatisierte Tests (pytest), Modellversionierung und reproduzierbare Workflows nach Best Practices.
Experience
Professional experience0 - 5 years
Freelancer since2025
Languages
GermanGoodEnglishFluentSpanishNative speaker
Project history
Entwicklung einer plattformübergreifenden Übersetzungs- und Sprachlern-App mit Flutter und einem Python-Backend (FastAPI). Die Anwendung unterstützt Echtzeit-Übersetzung, Sprachbefehle, natürliche Sprachsynthese und Wort-für-Wort-Lernfunktionen.
- Entwicklung des mobilen Frontends mit Flutter (Android, iOS, Web) einschließlich Chat-Interface, Audioaufnahme, Audiowiedergabe und Freisprechmodus
- Implementierung eines Python-Backends mit FastAPI für Übersetzung, Text-zu-Sprache, Sprache-zu-Text und Audioverarbeitung
- Integration von Gemini 2.0 für kontextbasierte Übersetzungen und vier verschiedene Übersetzungsstile (muttersprachlich, umgangssprachlich, informell, formell)
- Einsatz von Azure Cognitive Services Speech für hochpräzise Spracherkennung und natürliche Sprachsynthese
- Entwicklung eines Wort-für-Wort-Übersetzungssystems mit authentischer Aussprache in Spanisch, Deutsch und Englisch für Lernzwecke
- Architektur nach Clean-Architecture-Prinzipien (Daten-, Domänen- und Präsentationsschichten)
- Containerisierung des Backends mit Docker und Bereitstellung über Azure Container Apps
- Automatisierte CI/CD-Pipelines mit GitHub Actions (Build, Docker Push, Bereitstellung)
- Erstellung technischer Dokumentation, API-Spezifikationen und Architekturdiagramme
GitHub: https://github.com/codemotozu/Documented_Speak_and_Translate_App
Demo: https://codemotozu.github.io/speak_and_translate_app/
Entwicklung eines KI-gestützten Computer-Vision-Systems zur automatisierten Klassifizierung von Haushaltsabfällen mithilfe von Ultralytics YOLOv11 (PyTorch) und Instanzsegmentierung. Erstellung und Aufbereitung eines spezialisierten Datensatzes mit 5.300 annotierten Bildern und 10 Abfallkategorien, inklusive umfangreicher Data-Augmentation.
- Aufbau und Verwaltung des Datensatzes in Roboflow: Annotation, Qualitätskontrolle und Datenaufbereitung
- Training und Evaluierung des YOLOv11-Modells mit PyTorch, Validierungsstrategien und Optimierung der Hyperparameter
- Erreichen einer mAP@50 von 93,2 %
- Implementierung eines Echtzeit-Videoprozessors (>15 FPS) zur Objektdetektion, Segmentierung und Klassifizierung in Live-Streams
- Anwendung analytischer Methoden zur Untersuchung der Datenverteilung und -qualität (Pandas, NumPy, Matplotlib)
- Integration und Tests des Segment Anything Model (SAM, PyTorch) für zusätzliche Segmentierungsaufgaben
- Erstellung einer 60-seitigen wissenschaftlichen Dokumentation mit Datenanalysen, Architekturdiagrammen und Evaluationsmetriken
Dokumentation (GitHub): https://codemotozu.github.io/WasteCareAI_PDF
Live-Demo: https://codemotozu.github.io/waste_care.ai/