§ 03 · Ausgewählte Arbeiten & Forschungsarchiv
Projekte & Forschung
Implementierungen, Kooperationen mit Industriepartnern und wissenschaftliche Forschung mit Schwerpunkt auf LLM-Agentensystemen, Zeitreihenprognosen mit TabPFN, bayesscher Kundenmodellierung und Graph-Machine-Learning.
-
Spielumsatzprognosen mit zwei Foundation-Modellen
Meine Masterarbeit vergleicht zwei Foundation-Modelle bei 90-Tage-Prognosen. Um den Nutzen von Planungsdokumenten zu prüfen, vergleiche ich fünf Suchvarianten, prüfe strukturierte Antworten lokaler LLMs anhand der Quellpassagen und teste vier Wege, die Antworten in TabPFN-TS einzubinden. Die abschließende Auswertung steht aus.
-
Meta Game Onboarding Optimizer: geschlossene Onboarding-Playtests mit Meta Muse
Beim Meta Global AI Developer Hackathon eingereicht: ein geschlossener Kreislauf, in dem Muse-Playtester-Agenten ein Free-to-Play-Browserspiel spielen, ein Analyst Stellen markiert, an denen neue Spieler stecken bleiben, ein Designer eine Config-Änderung vorschlägt und ein Mensch diese freigeben muss, bevor ein A/B-Rerun startet.
-
Kraftstoffpreisprognosen mit TabPFN-3.5 und LLM-Ereignismerkmalen
Geprüft, ob Jev-extrahierte Ereignismerkmale aus dem wöchentlichen Petroleumbericht der EIA TabPFN-3.5-Benzinpreisprognosen auf einem eingefrorenen Holdout von 2016 bis 2024 verbessern, mit einem Placebo, das Inhalte vertauscht und Zeitpunkte behält.
-
TabPFN-3.5 vs. bayessche Pareto/NBD-Kundenmodelle
Benchmark, wann TabPFN-3.5 Pareto/NBD und das hierarchisch-bayessche Modell nach Abe (2009) bei der Vorhersage von 90-Tage-Rückkehr und Kaufanzahl schlägt, auf eingefrorenen Holdout-Zeitpunkten mit kundengeclusterten Bootstrap-Intervallen und Lernkurven.
-
Agentisches Toolkit für Power BI-Berichtsänderungen
Multi-Agenten-Claude-Code-Toolkit, das im Analyseteam bei InnoGames Power BI-Berichtsänderungen (PBIP/TMDL) plant, implementiert und validiert – ohne schrittweise menschliche Eingabe.
-
ChefTreff AI Hackathon: Gründer-Assistent
Multi-Agenten-Assistent, der Gründer bei der Unternehmensgründung in Deutschland unterstützt – von Business- und Marketingplänen bis zu juristischen Dokumenten.
-
Knowledge-Graph-Fragebeantwortung mit LLMs
SPARQL-basierte Fragebeantwortung über strukturierte Knowledge Graphen – Übersetzung natürlicher Sprachanfragen in ausführbare Graph-Abfragen über RDF-Wissensbasen.
-
ÖPNV-Routenplanung in Lüneburg mit HVV-Fahrplandaten
Angewandte Machine-Learning-Pipeline zur Modellierung und Vorhersage von Busrouten für den regionalen Verkehrsbetrieb KVG durch Verknüpfung von Geodaten und Fahrplänen.
-
Künstler-Einflussnetzwerke mit Neo4j
Graphdatenbank-Analyse mit Neo4j und Cypher zur Untersuchung von Musikstilen, Community-Clustern und quantitativer Einflusszentralität von Künstlern.
-
Hierarchisches bayessches Pareto/NBD-Kundenmodell
Implementierung und Validierung des hierarchischen bayesschen Pareto/NBD-Modells nach Abe (2009) auf dem CDNOW-Datensatz mittels MCMC-Stichprobenziehung in PyMC.
-
Erkennung beschädigter Dachziegel mit YOLOv8
In 24 Stunden entwickelt: Computer-Vision-Pipeline zur Objekterkennung und Klassifikation zur automatischen Identifikation beschädigter oder defekter Dachbaustoffe aus Produktbildern.