Josip Jukic

Technical Implementation

• LP-Modell für die wöchentliche Kapazitäts- und Produktmixplanung mit OR-Tools.
• Nachfrageobergrenzen, Linienkapazitäten und optionale Service-Parts-Reserven als Constraints.
• Strukturierter Produktionsplan mit Deckungsbeitrags- und Auslastungs-KPIs.
• Validierte Tabelleneingaben und reproduzierbares synthetisches Testszenario.

Technical Implementation

• Discovery- und Detail-Pipeline mit Queue-Verarbeitung, Delta-Sync und Fehlerforensik.
• Mandantenfähige SaaS-App mit Rollen, Abos, Händler-Dashboard und aggregierten Schweiz-Benchmarks.
• Streaming-fähiger OpenAI-Agent für natürliche Sprachabfragen über Read-only SQL.
• Persistenz und Analytics auf Supabase/PostgreSQL mit Prisma und SQLAlchemy.

Technical Implementation

• Time Tracker mit Start, Stop, Resume sowie manuellen und editierbaren Einträgen.
• Kalender und Schedule-Verwaltung für erfasste und geplante Arbeitsblöcke.
• Dashboard, Reports mit CSV-Export, Expenses und Rechnungs-Vorschau.
• Credentials-Login und Passwort-Reset mit geschützten Seiten und API-Routen.

Technical Implementation

• Klare N-Tier-Struktur mit UI, Business-Logic, Data-Access und Model.
• SQLite per Data-Access-Layer mit CRUD-Statements angebunden.
• Notebook/UI-Flow fuer Userstories und direkte Outputs.
• ER-Diagramm und Modellierung in der Projektdoku (Visual Paradigm).
• Layer-Trennung erleichtert DB-Wechsel und isolierte Tests.

Technical Implementation

• Datenbereinigung mit Imputation, Duplikaten und Ausreissern.
• Skalierung, Encoding und Train/Val/Test-Split.
• Feature Engineering mit neuen Merkmalen und Transformationen.
• Feature-Selektion und Reduktion auf relevante Features.
• Baseline-Modell als Vergleich mit ersten Metriken.
• Training mehrerer Algorithmen in reproduzierbarer Pipeline.
• Hyperparameter-Tuning mit Grid/Random und Cross-Validation.
• Imbalance-Handling mit Weights/Resampling und F1/AUC.
• Feature Importance via Permutation Importance.
• Erklärbarkeit mit ICE-Kurven.
• Evaluation mit passenden Metriken und Fehleranalyse.
• Validierung mit Overfitting-Checks und Sensitivität.
• Dokumentation und Versionierung der Experimente.

Technical Implementation

• Content-Ingestion mit Media/Metadaten und Preprocessing.
• Embeddings pro Item (Bild/optional Text) versioniert speichern.
• Vektor-Index fuer Top-K Similarity und More-like-this.
• Style-Cluster mit Prototypen für neue Inhalte.
• User-Profil aus Likes, Saves, Klicks, Dwell-Time und Skips.
• Ranking aus Similarity, Cluster-Affinity und Popularity/Recency.
• Offline/Online-Metriken plus Logging und A/B-Tests.
• K-Means Clustering für Style-Gruppen.
• Roadmap: Brand-Erkennung und Attribut-Detektoren.

Technical Implementation

• SAC- und PPO-Training in eigenen Gymnasium-Envs.
• Marktdaten von Binance oder CSV.
• Backtesting mit Train/Test und Walk-Forward.
• SAC-Env mit EMA-Cross, ADX-Filter, Slope-Filter und Regime-Gating.
• Risk-Management mit ATR-Stop sowie optional TP/Trailing.
• Position-Flip bei Gegencross möglich.
• CSV-Logs plus TensorBoard für Training.
• Plotly-Report mit Candles, EMAs, Buy/Sell und Equity.
• CLI-Training mit Parametern.

Technical Implementation

• Dokument-Upload, Indexierung in ChromaDB und Hybrid Search.
• Versicherungs-Q&A Chat mit Historie.
• Multi-LLM Support inkl. OpenAI/Anthropic/Google/Ollama.
• Schadensmeldung-Flow mit Status-Tracking.
• RAG-Pipeline parametrierbar (Chunking, Embeddings).
• Modulare App mit UI- und Core-Modulen.
• Dockerfile und docker-compose für Deployment.

Technical Implementation

• DMN-Decision Tables modellieren Entscheidungen auf Produktdaten.
• BPMN verbindet Prozessschritte mit Entscheidungspunkten.
• Prolog-Expertensystem leitet Empfehlungen per Inferenz ab.
• OWL-Ontologie strukturiert Domänenwissen maschinenlesbar.
• SWRL-Regeln erweitern OWL um automatische Ableitungen.
• SQWRL/SPARQL liefern Abfragen für Listen, Filter und Validierung.