In ihrer Rolle als Machine Learning Engineer hat sie wesentlich zum Net Promoter Score Projekt beigetragen. Ihre Arbeit umfasste die Durchführung von Sentiment-Analysen und Topic Modeling, um wertvolle Erkenntnisse aus dem Kundenfeedback zu gewinnen. Während dieses Projekts erweiterte sie ihr Wissen in Natural Language Processing (NLP) und Machine Learning (ML) und experimentierte mit verschiedenen großen Sprachmodellen (LLMs).

• Durchführung von Sentiment-Analysen zur Bewertung der Kundenzufriedenheit.
• Topic Modeling, um zentrale Themen im Kundenfeedback zu identifizieren.
• Natural Language Processing (NLP) und Machine Learning (ML) und wandte diese Konzepte auf reale Daten an.
• Experimentierte mit verschiedenen großen Sprachmodellen (LLMs), um die Analysegenauigkeit zu verbessern.
• Verwendete Excel zur Datenorganisation, -Extraktion und Vorabanalyse.
• Nutzte Jupyter Notebook für interaktive Datenexploration und Visualisierung.
• Setzte Databricks für skalierbare Datenverarbeitung und erweiterte Analysen ein.
• Verwaltete Versionskontrolle und kollaborative Entwicklung mit GitLab.

[Name auf Anfrage] entwickelte eine Python-basierte Webanwendung mit Flask und FastAPI, um den Bonusberechnungsprozess für ein Versorgungsunternehmen zu überwachen. Dieser 5-stündige Prozess generiert Boni für alle Vertriebskanäle. Zur Leistungssteigerung implementierte sie Caching und sicherte die Anwendung mit OAuth-Authentifizierung über Entra ID ab.

[Name auf Anfrage] entwickelte und verwaltete auch die DevOps-Pipeline für die Bereitstellung der Anwendung und arbeitete mit dem Datenteam zusammen, um durch die Gestaltung einer effizienten Datenpipeline eine genaue Datenabrufung zu gewährleisten.

Fähigkeiten: SQL, Datenmodellierung, Python, Flask, FastAPI, Git, Snowflake, Azure DevOps Pipelines, EntraID