Engineering-Notizen
Produktionsreife ML- und Softwaresysteme entwickeln.
Engineering-Notizen aus realen Systemen, die ich entwickle: Machine-Learning-Pipelines, SaaS-Architektur, Hintergrundjobs, Datenaufnahme, Entscheidungssysteme, Deployment und die damit verbundenen technischen Abwägungen.
Nach Thema erkunden
Fokussierte Leitfäden, die verwandte Artikel, Projekte und Produktionserfahrungen verbinden.
Machine-Learning-Systeme
Praxisnahe Notizen zum Entwickeln, Validieren, Erklären und Betreiben von Machine-Learning-Systemen jenseits des Notebooks.
Data Engineering
Ingestion, Datenmodellierung, Qualität, Hintergrundverarbeitung und operative Erkenntnisse aus Produktions-Datenpipelines.
SaaS- und Produktionsarchitektur
Architekturnotizen aus kleinen Produktions-SaaS-Systemen mit FastAPI, PostgreSQL, Celery, Docker und Nginx.
Von ML-Wahrscheinlichkeit zum geschäftlichen Prioritätsscore
Warum Payrithm Rechnungen nicht einfach nach der Wahrscheinlichkeit verspäteter Zahlung sortiert und wie ich kalibriertes ML-Risiko mit Wert, Dringlichkeit und Inkassoaktivität kombiniere.
- Machine Learning
- Product Engineering
- Fintech
Ein Multi-Tenant-SaaS mit FastAPI und PostgreSQL entwickeln
Wie ich Workspace-Isolation, Berechtigungen, Hintergrundjobs, Abrechnung und Audit-Zustand strukturiere, wenn aus einer FastAPI-Anwendung ein Multi-Tenant-SaaS wird.
- FastAPI
- PostgreSQL
- SaaS
Was bei der Ingestion von TED-Vergabedaten schiefging
Die Datenmodell- und Zuverlässigkeitsprobleme, die TenderWises TED-Ingestion-Pipeline geprägt haben – von Notice-Versionen und Losen bis zu mehrsprachigen Feldern, Retries und teilstrukturierten Qualifikationskriterien.
- Data Engineering
- ETL
- PostgreSQL
Zeitliche Validierung für die Vorhersage verspäteter Zahlungen
Warum die Vorhersage verspäteter Zahlungen mehr als einen chronologischen Train/Test-Split benötigt und wie ich rekonstruiere, welches Wissen zum Zeitpunkt jeder Payrithm-Vorhersage tatsächlich verfügbar gewesen wäre.
- Machine Learning
- Time Series
- Scikit-learn
PostgreSQL, Redis und Celery auf einem 8-GB-VPS betreiben
Was mich der Betrieb von PostgreSQL, Redis, Celery-Workern und mehreren SaaS-Anwendungen auf einem 8-GB-VPS über Ressourcenbudgets, Nebenläufigkeit, Queues und operative Einfachheit gelehrt hat.
- DevOps
- PostgreSQL
- Redis
TenderWise entwickeln: regelbasierte Bid/No-Bid-Intelligenz für europäische Ausschreibungen
Wie ich TenderWise als mehrsprachiges SaaS für öffentliche Beschaffung entwickelt habe, das TED-Bekanntmachungen einliest, deterministisches Profil-Matching anwendet, Relevanz von Qualifikation trennt und Ausschreibungsanalyse in kollaborative Angebotsvorbereitung überführt.
- Software Engineering
- FastAPI
- React
Einen Vorhersager für verspätete Rechnungszahlungen mit Python und Scikit-learn entwickeln
Wie ich die Machine-Learning-Pipeline von Payrithm entwickelt habe, um verspätete Rechnungszahlungen ohne Data Leakage vorherzusagen, die Qualität von Wahrscheinlichkeiten zu bewerten und Modellausgaben in umsetzbare Inkassoprioritäten zu überführen.
- Machine Learning
- Scikit-learn
- Python
Feature Engineering für Machine Learning: praktische Techniken
Die oft unterschätzte Arbeit, Rohdaten in informative Features zu verwandeln – Encoding, Skalierung, fehlende Werte, Interaktionen und Feature-Auswahl.
- Feature Engineering
- Machine Learning
- Scikit-learn
Diffusionsmodelle erklärt: die Mathematik hinter Stable Diffusion
Wie denoising-basierte probabilistische Diffusionsmodelle Bilder erzeugen, indem sie einen schrittweisen Verrauschungsprozess umkehren – von Grund auf erklärt.
- Generative AI
- Diffusion Models
- Deep Learning
Zeitreihen-Anomalieerkennung mit LSTMs
Wie sich mit LSTM-Autoencodern in PyTorch eine robuste Anomalieerkennungs-Pipeline für multivariate Sensordaten aufbauen lässt – inklusive Schwellenwertwahl und Deployment.
- Time Series
- LSTM
- Anomaly Detection
Convolutional Neural Networks: wie Maschinen sehen
Eine grundlegende Erklärung von CNNs – Faltung, Pooling, rezeptive Felder und die Architekturentscheidungen, die Deep Learning für Bilder erfolgreich machten.
- Computer Vision
- CNN
- Deep Learning
Gradient-Descent-Optimierer: von SGD bis Adam
Ein praktischer Leitfaden zu den verbreitetsten Optimierungsalgorithmen im Deep Learning – was sie berechnen, warum sie sich unterscheiden und wann welcher sinnvoll ist.
- Deep Learning
- Optimization
- PyTorch
Transformers verstehen: die Architektur hinter modernem NLP
Ein tiefer Einblick in Self-Attention und darin, wie Transformers rekurrente Netze ablösten und zur Grundlage moderner Sprachmodelle wurden.
- NLP
- Deep Learning
- Transformers