AI/ML Engineer
Ich entwickle KI-Systeme, die im Produktivbetrieb laufen: LLM- und Vektorsuche, Datenpipelines auf AWS und MLOps.
Seit mehr als 2 Jahren baue und betreibe ich KI/ML-Systeme. Zuletzt war ich bei einem Onlinehändler für gebrauchte Autoteile allein für KI/ML zuständig. Davor habe ich das KI-Team eines Unternehmens für erneuerbare Energien geleitet.
Ich lebe in Daejeon, Südkorea, und suche zunächst Stellen als AI/ML Engineer in Südkorea. Später plane ich einen Umzug nach Deutschland. Ebenso bin ich offen für Stellen in Deutschland und im übrigen Europa, auch in der Schweiz und in Dänemark, sowie für Remote-Stellen.
Ausgewählte Projekte
Vier Projekte, die zeigen, wie ich arbeite. Jede Fallstudie beschreibt das Problem, was ich gebaut habe, wie ich es gemessen habe und was sich dadurch geändert hat. Die Seiten enthalten weder Code noch vertrauliche Daten von Arbeitgebern.
Käufer tippen eine einfache Beschreibung in ihrer eigenen Sprache ein, und die Suche findet das genau passende Teil für genau ihr Auto. Dafür habe ich Vektorsuche, Entitätserkennung und ein LLM kombiniert, das die Anfrage bereinigt, und eine automatisierte Testsuite für die Genauigkeit gebaut.
Die Suche erreichte mindestens 95 % im 3.000-Teile-Test eines staatlichen F&E-Programms, und das Projekt wurde genehmigt.
Für Preisanalysen brauchte das Unternehmen jeden Tag neue Inserate zu Gebrauchtteilen vom Markt. Ich habe eine ereignisgesteuerte Pipeline gebaut: Nach Zeitplan holen sich Lambda-Worker Aufträge aus einer SQS-Queue und speichern die Inserate in PostgreSQL, und CloudWatch schlägt Alarm, wenn etwas fehlschlägt.
Im Test erreichte die Pipeline ihr Ziel von 5 Mio. Inseraten pro Tag, auf der kleinsten Datenbankinstanz. In Produktion ließ die Ratenbegrenzung der Quelle nur rund 5.000 pro Tag zu.
Ich habe das Team geleitet, das zwei Modelle in Produktion gebracht hat: Eines sagt vorher, wie viel Strom ein Solarkraftwerk erzeugen wird, und eines meldet ungewöhnliche Messwerte in den Daten der Anlage. Beide lieferten ihre Ergebnisse an ein virtuelles Kraftwerk, eine Plattform, die viele Anlagen gemeinsam wie eine einzige betreibt.
Der Prognosefehler sank von 9 % auf 7 %, genug, um Strom an der Korea Power Exchange zu verkaufen. Die Precision der Anomalieerkennung stieg um 35 Prozentpunkte, der Recall um 37. Ein Deployment dauerte 15 Minuten statt 3 Stunden.
Das Datenteam lud Katalogdaten von Drittanbietern von Hand. Ich habe einen Agenten-Workflow gebaut, der Marke, Modell, Baujahr und Region entgegennimmt, die passenden Teiledaten abruft, bereinigt und in den Katalog schreibt. Jobs starten nach Zeitplan, lassen sich nach einem Fehler fortsetzen und enden mit einem Bericht, den das Team prüfen kann.
Ein funktionsfähiger Prototyp mit Demo-Oberfläche für das Datenteam. Bei meinem Ausscheiden war er nicht in Produktion.
Ich habe an einem Modell geforscht, das den Preis eines Gebrauchtteils aus Wertverlust, Nachfrage und aktuellen Marktsignalen ableitet. Auf einem kleinen Satz echter Preise war es zu rund 70–80 % genau, gemessen mit MAE und MAPE.
Ich habe eine LLM-Pipeline gebaut, die für jedes der rund 40.000 Produkte des Unternehmens eine englische und eine koreanische Zusammenfassung schrieb, nach Regeln der Fachleute für Autoteile. Sie blieb ein Proof of Concept.
Ich habe rund 40.000 firmeneigene Datensätze in eine neue Datenbank übertragen und über 2 Mio. Katalogdatensätze von Drittanbietern geladen. Duplikate wurden entfernt, und jeder Batch wurde atomar geschrieben, sodass ein Fehler keine halb geschriebenen Daten hinterlassen konnte.
Arbeitsweise
Seit April 2026 schreibe ich die meiste Software, indem ich Coding-Agenten anleite: Claude Code und Codex. Die Agenten sind schnell. Die Regeln, Projektnotizen und Prüfungen, die ich um sie herum aufgebaut habe, halten die Arbeit verlässlich. Zwei Apps, die ich selbst nutze, und eine Physik-Engine, mit der alle spielen können, zeigen das Ergebnis.
Die App liest den Excel-Kontoauszug meiner Bank auf meinem Handy. Code liest jeden Betrag und jedes Datum, KI wählt jede Kategorie, und ich prüfe jede Zeile. Dann bekommt meine Freundin eine Telegram-Nachricht mit dem Betrag, den sie mir schuldet.
Nach meiner Schätzung spart mir die App 40 bis 100 Stunden im Jahr.
Ich beschreibe ein Gespräch in einfachen Worten, und ein KI-Agent speichert es bei den richtigen Personen und beantwortet Fragen zu ihnen. Er handelt nur über Tools, die auf meinem Handy laufen, und Löschungen warten auf meinen Fingertipp.
Ein Fingertipp macht eine Antwort rückgängig, und jede falsche Antwort lässt sich zur Korrektur melden.
Haut, Muskeln und Knochen reagieren mit echter Physik auf jeden Schlag, direkt im Browser. Zahlen aus der Physik kann ich nicht beurteilen, deshalb nennt jeder Test das Ergebnis im echten Leben und die Studie dahinter.
Bei jeder Änderung läuft jeder Testschlag in 45 Varianten, bevor sie veröffentlicht wird.
Ich pflege ein zentrales Regelwerk mit Projektnotizen, und 19 Projekte laden es: 9 berufliche und 10 private. Claude Code und Codex lesen dieselben Standards und knüpfen an den Kontext früherer Sitzungen an. Ein Agent, der die Regeln nicht laden kann, muss anhalten und nachfragen.
Die Regeln sorgen dafür, dass Agenten Änderungen klein halten, die Dokumentation pflegen und nie Secrets lesen oder Produktionsdatenbanken anfassen. Eine Aufgabe gilt erst als erledigt, wenn ein echter End-to-End-Test bestanden ist.
Ein kleiner Dienst auf Basis von Claude, der allen meinen Apps einen einzigen KI-Endpunkt bietet. Er nimmt Anfragen im OpenAI-Format an, sodass bestehende Clients unverändert funktionieren, und liefert Ausgaben, die einem JSON Schema entsprechen.
Er kann auch eine Agentenschleife ausführen: Das Modell entscheidet, welches Tool aufgerufen wird, aber die aufrufende App führt das Tool selbst mit ihren eigenen Daten aus und schickt nur das Ergebnis zurück. Das Gateway speichert keine App-Daten.
Neben Expenses und Network App haben die Agenten OneShot Reminder, Notes und Life Simulator gebaut. OneShot Reminder nutzt ebenfalls KI und bittet mich vor dem Speichern, jede Aufgabe zu bestätigen. Die Apps aktualisieren sich selbst über signierte GitHub Releases.
Zu meiner früheren ML-Arbeit gehören Bildklassifikatoren, die diabetische Retinopathie einstufen, gebaut in Freelance-Aufträgen, und Reinforcement-Learning-Experimente für Solarprognosen. Mehr davon steht auf GitHub.
Erfahrung
März 2025 – Juli 2026 Südkorea (remote)
G-Man Auto Parts · E-Commerce für gebrauchte Autoteile
Nov. 2024 – Feb. 2025 Remote
Upwork · medizinische Bildanalyse
März 2024 – Nov. 2024 Naju, Südkorea
Recs Innovation · erneuerbare Energien
Zweimal befördert: Data Science Intern → AI Engineer → AI Team Lead
Kenntnisse
Ausbildung & Nachweise
Die kleinen Bilder sind Scans der Abschluss- und Preisurkunden, das Geburtsdatum ist abgedeckt. Öffnen Sie einen Scan, um ihn in voller Größe zu sehen.
Kontakt
Ich suche Stellen als AI/ML Engineer: LLM- und Suchsysteme, MLOps, KI-Backend und Datenplattformen. Per E-Mail erreichen Sie mich am schnellsten.