Der größte Teil meiner beruflichen Arbeit dreht sich um eine Frage: Was wissen wir tatsächlich und wie sicher können wir uns sein? In meiner akademischen Forschung ging es darum, Unsicherheitsquantifizierung in Deep Learning zu integrieren – generative Modelle zu entwickeln, die nicht nur Antworten liefern, sondern auch angeben, wie verlässlich diese sind und wo sie versagen könnten. Diese Denkweise prägt auch meine Beratung: Ich sage Ihnen lieber frühzeitig „das wird vermutlich nicht funktionieren", als dass Sie es sechs Monate später selbst herausfinden.
Akademischer Hintergrund
Ich habe an der Universität Heidelberg in maschinellem Lernen promoviert (summa cum laude). Meine Forschung konzentrierte sich auf generative Modelle für inverse Probleme – Situationen, in denen man von Effekten auf Ursachen schließen möchte, wofür es oft mehrere plausible Erklärungen gibt. Meine Dissertation zu konditionalen invertierbaren neuronalen Netzen wurde mit dem Ruprecht-Karls-Preis ausgezeichnet.
Meine Publikationen haben etwa 2.500 Zitationen und einen h-Index von 19. Außerdem habe ich FrEIA mitentwickelt, ein Open-Source-Framework für invertierbare neuronale Netze, das weiterhin aktiv genutzt wird.
Zuvor habe ich Physik studiert (Bachelor und Master, beide in Heidelberg). Das hat mir die Gewohnheit mitgegeben, darauf zu achten, ob Modelle die Realität tatsächlich abbilden – oder nur Trainingsdaten auswendig lernen.
Die Methoden, die ich entwickelt habe, fanden Anwendung in verschiedenen Bereichen: Astrophysik, medizinische Bildgebung, Teilchenphysik und Maschinenbau. Die Zusammenarbeit mit Fachexperten hat mich gelehrt, zwischen ML-Abstraktionen und praktischen Anforderungen zu vermitteln.
Industrieerfahrung
Von 2022 bis 2025 war ich Head of Machine Learning bei Copresence, einem Startup für 3D-Avatarrekonstruktion aus Smartphone-Videos. Ich war von Anfang an Teil des technischen Gründungsteams und habe an Geometrierekonstruktion, Appearance-Modellierung und der Produktionspipeline mitgewirkt. Das System gibt geriggte Meshes mit PBR-Texturen aus, exportierbar nach Blender, Unreal, Unity und andere gängige 3D-Software.
Was ich aus dieser Zeit mitgenommen habe: Unsicherheitsquantifizierung und Ausreißererkennung sind kein akademischer Luxus. Die Pipeline funktioniert, weil wir Robustheit und Fehlererkennung in jeden Schritt eingebaut haben. Diese Erfahrung prägt, wie ich über Machbarkeit nachdenke, wenn ich andere berate.
Arbeitsweise
Ich übernehme fokussierte, zeitlich begrenzte Projekte – keine langfristigen Integrationen. Ein typisches Projekt kann eine Machbarkeitsstudie sein, ein technisches Audit, ein Prototyping-Sprint oder eine laufende Beratung auf Retainer-Basis.
Ich bin kein Production Engineer. Wenn Sie jemanden suchen, der langfristig in Ihr Team integriert ist, Code schreibt und wartet, bin ich nicht die richtige Wahl. Wenn Sie jedoch jemanden brauchen, der einschätzt, ob ein Ansatz funktionieren wird, bevor Sie sich festlegen, eine technische Richtung begutachtet oder schnell einen Prototyp baut, um eine Entscheidung zu untermauern, kann ich Sie voranbringen.