Über mich

Ich liefere KI-Systeme, die im Betrieb standhalten.

Mein Copilot für die Lieferkette läuft heute auf Azure. Er gibt jede Rechnung an 1 von 7 exakten Solvern, statt das Sprachmodell raten zu lassen, er hält bei jeder Entscheidung über 10.000 $ an und wartet auf einen Menschen, und er ging hinter 168 automatischen Tests und einem Red-Team-Gate live, das 98 % der Injection-Versuche abwies. Das Kraftstoffsystem, das ich in Kamerun gebaut habe, läuft weiter an Telekom-Basisstationen, und damit ließen sich 84 617 Liter Diesel nachweisen.

Ich bin Forscher und Engineer im Machine Learning, und ich verantworte den ganzen Weg: die Daten, das Modell, den Betrieb und die Zahl, an der Sie es messen. Die Mathematik dahinter ist meine Promotion. Dort habe ich bewiesen, wann der Gradientenabstieg eine gute Lösung erreicht und wie groß ein Trainingsschritt gefahrlos sein darf. Springer Nature hat das Ergebnis 2024 veröffentlicht. Deshalb kann ich Ihnen meist sagen, wo ein System bricht, bevor Ihre Nutzerinnen und Nutzer es merken.

Jedes System, das ich liefere, beantwortet vor dem Start eine Frage: wenn es etwas falsch macht, was fängt das auf?

Der Weg

2018 · Kamerun

Das erste System, das funktionieren musste

Telekom-Basisstationen in Kamerun laufen durch ständige Netzausfälle hindurch auf Dieselgeneratoren, und Kraftstoff verschwand schneller, als ihn jemand nachweisen konnte. 2018 richtete fast niemand Machine Learning auf stationäre Kraftwerke, die Forschung zielte auf Fahrzeugmotoren. Ich habe diese Arbeiten aus dem Automobilbereich gelesen und die Methoden auf Generatoren übertragen.

Ich habe mich mit den Wartungstechnikern zusammengesetzt, die explorative Analyse gemacht, 4 Modelle verglichen und das stärkste als Webanwendung geliefert, die der Betrieb bis heute nutzt. Damit ließen sich 84 617 Liter Kraftstoff nachweisen, und die Berichte brauchten statt Tagen nur noch Sekunden. Dieses Projekt hat den Maßstab gesetzt, den ich behalten habe: ein Modell, das niemand betreiben kann, zählt nicht.

2019 bis 2025 · RWTH Aachen und LMU München

Wann Training konvergiert, und wie weit Sie es treiben dürfen

Die Kraftstoffmodelle funktionierten, und ich konnte nicht ganz sagen, warum. Diese Lücke hat die Richtung meiner Promotion bestimmt. Ich habe untersucht, wann der Gradientenabstieg, der Algorithmus unter fast dem gesamten Deep Learning, in einer Verlustlandschaft voller schlechter Lösungen eine gute erreicht.

Ich habe bewiesen, dass die Iterierten beschränkt bleiben, dass die Gewichte also mitten im Training nicht explodieren können. Diese Schranke erlaubte eine diskrete Lojasiewicz-Ungleichung und damit die Konvergenz zu einem globalen Minimum für fast jede Initialisierung, ohne die Nähebedingung, die frühere Ergebnisse voraussetzen mussten. Die daraus folgende Schrittweite gilt für konstante wie für fallende Verläufe, und sie schrumpft nicht mehr, wenn das Netz tiefer wird.

Dieselbe Analyse habe ich für den stochastischen Gradientenabstieg geführt, mit dem Teams tatsächlich trainieren, und gezeigt, dass er beschränkt bleibt und fast sicher konvergiert. Die Bedingungen habe ich an nichtlinearen tanh-Netzen geprüft, und das Training verhielt sich genauso. Die praktische Fassung ist kurz: Sie berechnen vor dem Start, wie weit Sie ein Training treiben dürfen, und Sie sehen den Lauf, der gleich divergiert.

Seit 2025 · was ich heute baue

Wo das Raten aufhört

Ich baue agentische Systeme nach einer Regel: das Sprachmodell bleibt bei der Sprache, und jede Rechnung geht an etwas, das nicht halluzinieren kann. Im Copilot für die Lieferkette liest ein LangGraph-Agent die Anfrage einer Planerin in normaler Sprache und leitet sie an 1 von 7 exakten Solvern des Operations Research. Jeder Solver-Aufruf überquert einen typisierten Vertrag, und jede Entscheidung über 10.000 $ hält für eine Freigabe an. Liest das Modell die Anfrage falsch, wählt es das falsche Werkzeug, und ein Mensch fängt das auf. Eine falsche Zahl, die richtig aussieht, kann es nicht erzeugen.

Dieselbe Strenge zieht sich durch den Rest. Das System für wissenschaftliche Fragen nennt seine Quellen mit 0,84 Genauigkeit auf QASPER und antwortet „unzureichender Kontext“ statt mit einer sicher klingenden Erfindung. In der Alignment-Arbeit trainiere ich Modelle darauf, prüfbare Antworten den nur gut klingenden vorzuziehen. Ein Team bekommt von mir ein System samt Testsuite, Betrieb und der Zahl, an der es gemessen wird.

Belege zum Öffnen

Jede Zahl oben führt zu einer Fallstudie. Öffnen Sie eine.

Lehre, und wo ich herkomme

Sechs Jahre lang habe ich die Übungen zu kontinuierlicher Optimierung, Mathematik der Datenwissenschaft und höherer Mathematik an der RWTH Aachen und der LMU München geleitet. Die Aufgabe war, aus einem Konvergenzbeweis für einen ganzen Raum die Anschauung zu gewinnen statt der Algebra. Das ist dieselbe Aufgabe, die ein interdisziplinäres Team braucht, wenn ein Modell verstanden werden muss, bevor ihm jemand vertraut, und es ist der Teil der Beratungsarbeit, in dem ich am schnellsten bin.

Ich habe außerdem die Lehrmaterialien geprüft und korrigiert, mit denen die anderen Assistierenden arbeiteten, und meinen Lehrstuhl auf einer internationalen Konferenz vertreten. Ich bin über ein Stipendium der Mastercard Foundation hierhergekommen, durch 3 Länder und eine Forschungsgruppe mit 9 Nationalitäten. Weiterzugeben, was mir beigebracht wurde, ist mir wichtig.

Prüfen Sie es nach:

Promotion in Angewandter Mathematik, LMU München und RWTH Aachen. Stipendiat der Mastercard Foundation. Mitglied im Munich Center for Machine Learning. Zertifiziert in MLOps, fortgeschrittener Agentenprogrammierung und fortgeschrittenem Prompt-Engineering.

Wie ich arbeite

Ich liefere. Zu jedem Projekt gehören ein Docker-Image und ein Weg in den Betrieb, nicht nur ein Notebook.
Ich lege fest, was „funktioniert“ heißt und welche Zahl es belegt, bevor ich den Code schreibe.
Ich lese die Primärquellen (NeurIPS, ICML, ICLR, arXiv), bevor ich die Tutorials lese.
Ich schreibe die Abwägungen und die offenen Fragen neben die Ergebnisse.

Was ich gerade lese

4 Paper liegen diesen Monat auf dem Tisch. Sie wechseln.

Paper	Autoren	Publikation	Warum es für mich zählt
Direct Preference Optimization	Rafailov u. a.	NeurIPS 2023	Ich nutze DPO in der Alignment-Arbeit. Dieses Paper hat mir die Präferenzoptimierung ohne Reward-Modell klargemacht.
Corrective Retrieval-Augmented Generation	Yan u. a.	arXiv 2024	CRAG ist das Relevanz-Gate in meinen Retrieval-Systemen. Ich komme immer wieder darauf zurück, wie es entscheidet, wann eine gefundene Textstelle gut genug ist.
Can Large Language Models Reason and Plan?	Kambhampati u. a.	arXiv 2024	Eine nüchterne Lektüre dazu, was Sprachmodelle planen können und was nicht. Sie stützt die Trennung, um die herum ich baue: die Sprache zum Modell, die Rechnung zu den Solvern.
On the Convergence of Adam and Beyond	Reddi, Kale, Kumar	ICLR 2018	Zurück zu meinen Wurzeln. Ein klarer Fall, in dem ein Optimierer, dem alle vertrauten, eine Konvergenzlücke hatte, die sich zu verstehen lohnt.