Über mich

Ich verwandle Daten, Modelle und Software in Systeme, die Menschen tatsächlich nutzen können.

Ich bin Albert Queraltó, promovierter Data Scientist und Softwareentwickler in Barcelona. Ich arbeite an der Schnittstelle von Machine Learning, Data Engineering, Backend-Systemen und Produktentwicklung – mit besonderem Interesse an Systemen, die auch nach dem Notebook-Experiment zuverlässig funktionieren müssen.

Meine Arbeit verbindet wissenschaftliches Denken mit Software Engineering. Entscheidend ist für mich nicht nur, wie ein Modell validiert wird, sondern auch, wie Daten es erreichen, wie Vorhersagen bereitgestellt werden, wie Fehler beobachtet werden und wie Nutzer mit dem Ergebnis bessere Entscheidungen treffen.

Dieser Ansatz zeigt sich in Projekten wie Payrithm und TenderWise, in denen Machine Learning, deterministische Regeln, APIs, Hintergrundjobs, Datenbanken und Nutzer-Workflows als ein gemeinsames Produkt funktionieren müssen.

Dieses Portfolio dokumentiert Architektur, Trade-offs, Fehler und operative Erkenntnisse hinter diesen Systemen. Es geht nicht um isolierte Demos, sondern darum, wie ich Produktionsprobleme rund um Daten und Software ganzheitlich angehe.

Meine Arbeitsbereiche

Machine-Learning-Systeme

Zeitreihenmodelle, Anomalieerkennung, überwachtes Lernen, Validierung, Erklärbarkeit, Model Serving und Produktionsmonitoring.

Data Engineering

API- und Datei-Ingestion, ETL, PostgreSQL und PostGIS, Datenqualität, geplante Verarbeitung und operative Datenpipelines.

Backend und SaaS

FastAPI-Dienste, Multi-Tenant-Design, Celery-Worker, Redis, Berechtigungen, Auditierbarkeit und entscheidungsorientierte Produkt-Workflows.

Production Engineering

Docker, Linux, Nginx, ressourcenbeschränkte Deployments, Observability, Zuverlässigkeit und pragmatische Infrastrukturentscheidungen.

Wie ich technische Arbeit angehe

  • → Mit der Entscheidung oder dem operativen Problem beginnen – nicht mit dem Modell.
  • → Validieren, was zum Vorhersagezeitpunkt tatsächlich bekannt sein konnte, und Leakage konstruktiv erschweren.
  • → Beobachtbare und wartbare Systeme unnötig komplexer Infrastruktur vorziehen.
  • → Domänenregeln und probabilistische Modelle trennen, wenn diese Unterscheidung für Nutzer relevant ist.
  • → Fehlermodi und Trade-offs dokumentieren, nicht nur die endgültige Architektur.

Hintergrund

  • → Promotionsgeprägte Problemlösung und wissenschaftliche Methodik.
  • → Akademischer Hintergrund mit Bezug zur Universitat Autònoma de Barcelona und Universitat Oberta de Catalunya.
  • → In Barcelona ansässig und offen für Rollen in Data Science, ML Engineering, Software Engineering und produktorientierter technischer Arbeit.

Zusammenarbeiten

Wenn Sie ein datenintensives Produkt, ein ML-gestütztes Entscheidungssystem oder einen Produktionsworkflow entwickeln, der zuverlässiger werden muss, interessieren mich besonders die Engineering-Entscheidungen dahinter.