Steffen L.

Eigenständiges MLOps-Portfolio-Projekt zur Operationalisierung eines Customer-Churn-Modells für Klassifikations- und Decisioning-Szenarien.

Neben der Churn-Wahrscheinlichkeit erzeugt das System priorisierte Retention Actions auf Basis des erwarteten wirtschaftlichen Nutzens. Dadurch wird aus einer reinen Modellvorhersage eine konkrete Entscheidungsunterstützung.

Der Schwerpunkt lag bewusst nicht auf der maximalen Optimierung der Vorhersagegüte, sondern auf dem Aufbau eines reproduzierbaren und betreibbaren ML-Systems. Das Modell dient als realistischer Use Case, um zentrale MLOps-Patterns wie Experiment Tracking, Model Registry, Deployment, Monitoring, Retraining und CI/CD umzusetzen.

Umgesetzt wurden:

Das Projekt zeigt, wie sich ein Notebook-Prototyp in ein reproduzierbares ML-System überführen lässt. Training, Modellversionierung, Deployment und Monitoring sind klar getrennt und weitgehend automatisiert. Dadurch werden Änderungen nachvollziehbarer, Deployments weniger fehleranfällig und Probleme im Betrieb früher erkennbar.

Tech Stack: Python, FastAPI, MLflow, Prefect, Docker, Terraform, GitHub Actions, GCP Cloud Run, Prometheus, Grafana, scikit-learn und Pandas.

Der vollständige Code inklusive README, Architektur, Docker-Setup und CI/CD-Workflow ist über mein GitHub-Profil einsehbar.

Eigenständiges MLOps-Portfolio-Projekt zur Operationalisierung eines Sales-Forecasting-Modells für Nachfrage-, Umsatz- und Planungsszenarien.

Ziel war es, aus einem statischen Forecasting-Modell einen reproduzierbaren Prozess für Training, Bereitstellung, Überwachung und Retraining zu entwickeln. Das Projekt berücksichtigt typische Herausforderungen produktiver Forecasting-Systeme wie zeitverzögert verfügbare Ist-Werte, veränderte Datenverteilungen und steigende Prognosefehler.

Der Schwerpunkt lag bewusst nicht auf der Entwicklung des bestmöglichen Forecasting-Modells, sondern auf der zuverlässigen Operationalisierung des gesamten ML-Lifecycles.

Umgesetzt wurden:

Das Projekt demonstriert, wie Forecasts auch nach dem ersten Deployment kontrollierbar bleiben. Modellqualität und Datenveränderungen werden überwacht, neue Ist-Werte können in die Evaluation einfließen und Retraining-Prozesse lassen sich gezielt auslösen. Dadurch wird aus einem einmalig trainierten Modell ein kontinuierlich überprüfbarer ML-Prozess.

Tech Stack: Python, FastAPI, MLflow, Prefect, Docker, Terraform, GitHub Actions, GCP Cloud Run, scikit-learn, XGBoost und Pandas.

Der vollständige Code inklusive README, Demo-Simulation und Deployment-Dokumentation ist über mein GitHub-Profil einsehbar.

Entwicklung und Validierung datengetriebener Simulationsmodelle für komplexe technische Energiesysteme.

Zu meinen Aufgaben gehörten der Aufbau reproduzierbarer Analyse- und Datenverarbeitungsworkflows, die Verarbeitung und Validierung realer Messdaten sowie Design of Experiments, Parameteroptimierung und Sensitivitätsanalysen.

Darüber hinaus validierte ich das Modellverhalten anhand realer Daten, dokumentierte Modellannahmen und Limitationen und nutzte die Ergebnisse zur Entscheidungsunterstützung, Systemoptimierung und Szenarioanalyse.

Diese Erfahrung bildet heute eine wichtige Grundlage meiner Arbeit im ML- und MLOps-Umfeld, insbesondere in den Bereichen Datenqualität, Reproduzierbarkeit, Modellvalidierung und zuverlässige technische Workflows.