Grounded RAG: Ask-My-Docs with Cited Answers
Domänenspezifische Retrieval-Augmented Generation mit hybridem Retrieval und Quellenangaben für belegte, überprüfbare Antworten.
RAG · LLMs · Computer Vision · Data Science

Ich habe über zwei Jahre bei Collins Aerospace an Computer Vision und Data Science gearbeitet: Videoqualitätsprüfung für Flugzeugkameras, Aktivitätserkennung in der Kabine, ein Modell, das Netzwerkausfälle vorhersagte, bevor sie eintraten. Dort habe ich den Unterschied verstanden zwischen einem Modell, das im Notebook gut abschneidet, und einem, das mit einem verrauschten Kamerabild zurechtkommt. Gerade schließe ich meinen MSc in Artificial Intelligence an der BTU ab, mit einer Abschlussarbeit über parametereffizientes Fine-Tuning von Vision Transformern für Fahrerüberwachung.
Heute steckt der Großteil meiner Zeit in LLM-Systemen und agentischer KI: RAG-Pipelines mit hybridem Retrieval und Agenten, die Tools nutzen, um echte Arbeit zu erledigen. Genauso viel Zeit verbringe ich mit den unglamourösen Teilen: ehrliche Evals, Observability, reproduzierbare Trainingsläufe. Nichts ist besser, als eine Idee aus einem Paper zu nehmen und sie in Produktion zu sehen.
Aufgewachsen bin ich in Indien, heute lebe ich in Deutschland und suche KI/ML-Engineering-Stellen hier und in der EU. Nach Feierabend heißt es: Gym, ein gutes Buch, ein paar Runden Counter-Strike 2 oder ein Zug in eine Ecke Europas, die ich noch nicht kenne.

Domänenspezifische Retrieval-Augmented Generation mit hybridem Retrieval und Quellenangaben für belegte, überprüfbare Antworten.
RAG-Assistent mit Reranking und Evaluations-Harness; optimiertes Chunk-Retrieval über einen ChromaDB-Vector-Store.
Parametereffizientes Fine-Tuning (LoRA) eines Vision Transformers für Bildklassifikation, die Technik im Zentrum meiner Abschlussarbeit.
Selbst implementiertes LoRA auf den Attention-q/v-Projektionen eines kleinen Decoder-only-LMs: 93,7 % auf AG News bei 0,23 % trainierter Gewichte, mit einer Rank-Ablation über {4–32}.
Streamlit-App, die PDF-Text extrahiert, anzeigt, zusammenfasst und exportiert, mit LangChain und DeepSeek/OpenAI-Modellen. Gehostet auf Streamlit Cloud.
Objekterkennung in Echtzeit für stromsparende Edge-Geräte: YOLOv4-Tiny-Inferenz nur auf der CPU, mit FPS-Benchmark im Edge-Profil und COCO-Genauigkeit, im Vergleich zu einem Raspberry Pi 4B eingeordnet.
Mehr auf github.com/headless-start.

Zitat des Tages
“We can only see a short distance ahead, but we can see plenty there that needs to be done.”
— Alan Turing
Associate Engineer (Data Science)
Okt 2021 – Jul 2022Graduate Engineer (Computer Vision)Spot Award
Aug 2020 – Okt 2021Avionics Intern (Computer Vision)
Feb 2020 – Jul 2020Project Intern
Jun 2019 – Jul 2019M.Sc. Artificial Intelligence
Note: 2,3 (deutsche Skala, Bestnote 1,0)Abschlussarbeit: Parameter-Efficient Adaptation of Facial Expression Recognition Models for Driver Monitoring.
Relevante Kurse: Image Processing and Computer Vision, Explainable Machine Learning, Learning in Real and Virtual Humans, Virtual Reality and Agents, Cognitive Systems: Behavior Control, Introduction to Computational Neuroscience, Data Warehouse Technologies.
B.Tech Computer & Communication Engineering
Note: 8,09 / 10 (indische Skala, Bestnote 10)Nebenfach · Big DataAbschlussarbeit: Method of Computing the Video Quality Using Full Reference Algorithms.
Relevante Kurse: Data Structures, Algorithm Analysis and Design, Object Oriented Programming, Operating Systems, Database Systems, Parallel Programming, Data Mining and Predictive Analysis, Machine Learning with Big Data, Graph Analytics for Big Data, Social Network Analytics, Computer Vision.
AbschlusszeugnisKlasse XII (CBSE)
Ergebnis: 93,6 %Klasse X (CBSE)
Note: 10,0 / 10Ehrenamtlicher Lehrer
Unterrichtete benachteiligte Kinder in Englisch und Computergrundlagen und leitete Workshops über den Wert von Bildung.
