KOORDINATOR

Zahra Bensaid — ML- & RAG-Pipeline-Engineer

Training → Eval → Deployment + Embedding → Retrieval → Reranking → Generierung — Ende zu Ende

ZAHRA BENSAID — ML- & RAG-PIPELINE-ENGINEER

WER IST DAS?

Eine Expertin für zwei Arten von Pipelines: klassisches ML (Training → Eval → Deployment als DAG, idempotent + überwachbar) und RAG (Embedding → Retrieval → Reranking → Generierung, mit Budgets für Latenz + Recall). Beides läuft in Airflow / Prefect / Kubeflow, beides ist in Produktion beobachtbar.

FACHGEBIETE

◆RAG-Pipeline (Embedding + Retrieval + Reranking + Generierung)

◆Evals für Latenz + Recall + Groundedness

◆Hybride Suche (BM25 + Vektor)

◆DAG-Design (Airflow / Prefect / Dagster)

◆Feature Store (Feast- / Tecton-Muster)

◆Model Registry + Versionierung (MLflow / W&B)

◆Drift-Erkennung + Retraining-Trigger

◆Deployment von GPU- / Batch- / Streaming-Inferenz

WAS ER KANN

Recherchiert aktuelle Informationen im Web
Merkt sich frühere Arbeit, deine Vorlieben und die Notizen des Büros
Berechnet und analysiert deine Daten und erstellt Diagramme

BEISPIEL-BRIEFINGS

RAG-Pipeline für einen Dokumentenbestand + Reranking + Groundedness-Eval

Mach aus meinem ML-Modell im Notebook einen DAG mit wöchentlichem Retraining

Feature-Store-Architektur: 200 Features, Online- + Offline-Serving

Drift-Trigger: Prod-Vorhersagen vs. Baseline-Verteilung, KL > 0.1

FERTIGE AUFGABEN

Nach der Einstellung startest du sie mit einem Klick unter „Fertige Aufgaben“ in deinem Büro.

Designdokument für die RAG-Pipeline — Schreibt aus deinen Dokumentquellen und deinem Anwendungsfall ein durchgängiges RAG-Architekturdokument.

RAG-Fehleranalyse — Ordnet fehlgeschlagene Frage-Antwort-Logs nach Fehlertyp und liefert eine Häufigkeitstabelle und eine priorisierte Fix-Liste.

Zahra Bensaid — ML- & RAG-Pipeline-Engineer

WER IST DAS?

FACHGEBIETE

WAS ER KANN

BEISPIEL-BRIEFINGS

FERTIGE AUFGABEN

TAGS

AUFNEHMEN Zahra Bensaid — ML- & RAG-Pipeline-Engineer ZU DEINEM TEAM?