Lebenslauf
Gabin Maxime Nguegnang
KI-Forscher und ML-Engineer
München, Deutschland · gmaxime@nguegnang-ai.com
Berufserfahrung
AI Research Consultant: LLM-Reasoning und Evaluierung agentischer KI
Outlier AI und Mercor · Remote, Deutschland
- Diagnostiziere Fehlermuster im mehrstufigen Reasoning führender LLMs bei MINT-Aufgaben und schreibe die Korrekturen, die als RLHF-Trainingsdaten dienen.
- Evaluiere Trajektorien von KI-Agenten und die Präzision ihrer Function Calls bei langen Aufgaben und trenne Agentenfehler von Umgebungsfehlern.
- Schreibe die Rubrikkriterien, nach denen das Reward-Modell bewertet wird, und leite das Peer Review in einem verteilten Team.
Wissenschaftlicher Mitarbeiter in Forschung und Lehre
Ludwig-Maximilians-Universität München · München, Deutschland
- Leitete Bedingungen an die Lernrate her, die die Konvergenz des stochastischen Gradientenabstiegs (SGD) garantieren, die Grundlage verlässlichen Modelltrainings.
- Verglich 6 Ensemble-Verfahren mit 4 Baselines in einem Projekt zur erklärbaren KI (Anomalieerkennung) auf realen Betriebsdaten von Dieselgeneratoren und erreichte F1 0,987 mit LightGBM.
- Verteidigte mit den Koautoren einen strittigen Beweisschritt vor der Redaktion von Springer Nature bis zur Annahme.
- Unterrichtete Optimierung, Machine Learning, Deep Learning und Data Science im Masterstudium und betreute 1 Masterstudierenden mit.
Wissenschaftlicher Mitarbeiter in Forschung und Lehre
RWTH Aachen · Aachen, Deutschland
- Leitete Bedingungen an die Lernrate für den Gradientenabstieg in linearen neuronalen Netzen her, die nicht exponentiell mit der Netztiefe abnehmen.
- Validierte die Theorie und übertrug sie auf nichtlineare Architekturen, mit groß angelegtem PyTorch-Training auf GPU-Clustern.
- Unterrichtete kontinuierliche Optimierung und Mathematik der Data Science in einer Forschungsgruppe mit 9 Nationalitäten.
Praktikant Machine Learning
Group One Holding Company · Limbe, Kamerun
- Lokalisierte per explorativer Datenanalyse die Quellen der Kraftstoffverluste an Telekommunikations-Basisstationen, trainierte einen Random Forest (NSE 0,986) und lieferte ihn mit Monitoring-Dashboard aus, das half, 84 617 Liter Kraftstoff nachzuverfolgen.
- Automatisierte die Protokollerfassung (Berichtszeit von Tagen auf Sekunden) und stimmte mit den Wartungstechnikern ab, welche Abweichungen das System melden sollte.
Ausbildung
Promotion in angewandter Mathematik: Optimierung neuronaler Netze
LMU München und RWTH Aachen, Deutschland
Konvergenzanalyse für das Training tiefer neuronaler Netze. Veröffentlicht bei Springer Nature (2024) und auf der SampTA 2023.
Kooperativer M.Sc. in Industriemathematik: Machine Learning
African Institute for Mathematical Sciences (AIMS), Limbe, Kamerun
Stipendium des Mastercard Foundation Scholars Program, 2017.
M.Sc. in angewandter Mathematik: Dynamische Systeme, Modellierung
Universität Yaunde I, Kamerun
Optimierung und numerische Analysis.
B.Sc. mit Auszeichnung in angewandter Mathematik
Universität Duala, Kamerun
Publikationen
- Convergence of stochastic gradient descent for learning linear neural networks arXiv-Preprint, 2026
- Convergence of gradient descent for learning linear neural networks Springer Nature: Advances in Continuous and Discrete Models, 2024
- Analysis of stochastic gradient descent for learning linear neural networks SampTA 2023
- Anomaly detection in power generation plants using machine learning and neural networks Applied Artificial Intelligence, 2020
- Balancing Performance and Fairness in Explainable AI for Anomaly Detection in Distributed Power Plants Monitoring arXiv-Preprint, 2026
- Predicting fuel consumption in power generation plants using ML and neural networks ICECET 2021
Kenntnisse
Programmierung und Daten
Python · SQL · PyTorch · scikit-learn · pandas · FastAPI · Pydantic · PostgreSQL · DuckDB · pgvector · FAISS
LLMs, RAG und KI-Agenten
RAG (hybrides Retrieval, Reranking) · GraphRAG · KI-Agenten · Multi-Agenten-Systeme · LangGraph · MCP · Tool Calling · Prompt Engineering · Fine-Tuning (LoRA, QLoRA) · DPO · RLHF · Hugging Face (Transformers, TRL, PEFT) · vLLM · LiteLLM
Knowledge Graphs
Neo4j (Cypher) · RDF/OWL · SPARQL
Machine Learning und Statistik
Deep Learning · NLP · Random Forest · Gradient Boosting (LightGBM) · Anomalieerkennung · Erklärbare KI (SHAP) · Bootstrap-Konfidenzintervalle · Cohens κ · Optimierung (OR-Tools, CVXPY)
Evaluierung und MLOps
LLM-Evaluierung (LLM-as-a-Judge, ALCE) · Docker · Kubernetes · CI/CD (GitHub Actions) · Git · pytest · Azure (AKS) · AWS · Google Cloud · GPU-Cluster (SLURM)
Zertifikate
- Building GraphRAG Python MCP Tools Neo4j GraphAcademy · September 2026
- Fortgeschrittene Agentenprogrammierung Outlier AI · Januar 2026
- Model Parallelism: Building and Deploying Large Neural Networks NVIDIA · Oktober 2025
- Generative KI mit großen Sprachmodellen DeepLearning.AI und AWS · Oktober 2024
- Machine-Learning-Engineering für die Produktion (MLOps) DeepLearning.AI · 2024
Mitgliedschaften und Auszeichnungen
- Munich Center for Machine Learning (MCML), Mitglied Juni 2024 – heute
- Stipendium des Mastercard Foundation Scholars Program August 2017
Sprachen
- Französisch Muttersprache (C2)
- Englisch Verhandlungssicher (C1)
- Deutsch Gute Kenntnisse (B2+)