Jeneesh
Surani
fps: 60 | ms: 16.7v:1.0.0Deutschland
Wer ich bin
"Ein KI-System ist nur so gut wie die Tests, die seine Funktion beweisen – nicht die Demo, die es einmal zeigt."
Kernkompetenzen
Fokussiert auf praxiserprobte KI-Systeme, agentische Architekturen und skalierbare Backend-Lösungen.
RAG & LLM-Engineering
Produktive RAG-Systeme mit hybrider Suche, strukturierten Zitaten und CI-Qualitätsprüfungen, die Deployments bei Genauigkeitsabfall stoppen.
Agentische KI-Systeme
Multi-Agenten-Pipelines mit LangGraph, bei denen jeder Knoten explizit testbar ist und sich bei fehlerhafter Ausgabe automatisch selbst korrigiert.
Backend-Engineering
Performante APIs und Microservices für echte Produktionslast, entwickelt mit FastAPI, Node.js, PostgreSQL und AWS-Cloud-Infrastruktur.
LLM-Evaluation
Evaluierungs-Frameworks mit Ragas-Metriken, Regressions-Schranken und Benchmarking, um die tatsächliche Modellqualität messbar zu machen.
Produktive Systeme
Echte, getestete und einsatzbereite Systeme, die konkrete technische und KI-relevante Herausforderungen lösen.
Safe MCP Agent & mcp-guardeval
Flaggschiff-KI-Agent mit MCP-Anbindung, geschützt durch 5-stufige Guardrail-Middleware (7/7 Angriffe abgewehrt), mit auf PyPI veröffentlichtem Test-Harness.
Agentische AML-Compliance
Lokales Multi-Agenten-Team zur automatisierten Geldwäsche-Prüfung von Finanztransaktionen ohne Cloud-Risiko.
Intelligenter Forschungs-Agent
Smarter Routing-Assistent, der gezielt entscheidet, wann lokale Dokumente genügen und wann das Web durchsucht werden muss.
Ask My Docs
Zuverlässiges RAG-System für wissenschaftliche Paper mit automatischen Qualitätsprüfungen vor dem Deployment.
Hausmeister Eval Toolkit
Lokales Evaluierungs-Framework zur Messung von Kaltstart vs. Warm-Latenz, Quantisierungs-Trade-offs und regelbasiertem Dokumenten-Reasoning.
Parameter Golf (Quantisierung)
Untersuchung der Grenzen extremer Modellkompression bei anspruchsvollen mathematischen Aufgaben.
Wissenschaftliche Forschung
Theoretische und empirische Untersuchungen zu Modellkompression, Knowledge Distillation und Modellfusion.
Modellkompression für transformerbasierte NLP-Modelle
Eine vergleichende wissenschaftliche Untersuchung zu zwei Hauptverfahren der Modellverkleinerung: Knowledge Distillation (KD) und Quantisierung (PTQ & QAT). Analysiert werden Trade-offs zwischen Genauigkeit, Modellgröße, Inferenzlatenz, Speicherbandbreite und Edge-Tauglichkeit anhand von 18 Fachquellen von BERT-Modellen (DistilBERT, TinyBERT, TernaryBERT) bis zu großen LLMs (OPT-175B, LLaMA, Qwen).
Core Empirical & Theoretical Findings
Aufgaben- und Skalierungs-Sensitivität: 4-Bit GPTQ verursacht bei Llama-3.1-70B unter 0,25 % Verlust, führt aber bei Llama-3.2-1B zu einem Einbruch um 25,32 Punkte bei GSM8K-Mathematik. Extreme Quantisierung beeinträchtigt logisches Schließen bei Modellen unter 7B Parametern drastisch, während 70B+ Modelle stabil bleiben.
Strukturerhalt durch Soft Labels: Knowledge Distillation (DistilBERT 40 % kleiner / 60 % schneller bei 97 % GLUE; TinyBERT 7,5x kleiner / 9,4x schneller bei 96,8 % GLUE) übertrifft PTQ bei kleinen Modellen durch den Transfer von Dark Knowledge über weiche Logit-Verteilungen und Zwischenschicht-Hinweise.
Extreme hybride Kompression: Die Kombination aus 2-Bit Ternarisierung mit Teacher-Student-Destillation (TernaryBERT) erzielt 14,9-fache Kompression und bei TinyBERT (TernaryTinyBERT) bis zu 23,2-fache Kompression bei nur 1,6 GLUE-Punkten Verlust.
Speicherbandbreite als Inferenz-Engpass: Autoregressive LLM-Generierung ist speicherbandbreiten-limitiert, nicht rechenlimitiert. Das Laden der Gewichte in den GPU-Cache ist der Flaschenhals; 4-Bit-Gewichte senken das Transfervolumen um 75 % und beschleunigen die Inferenz auf A6000-GPUs um bis zu 4,5x.
Technical Interview Defense Points
Berufliche Erfahrung
Praxiserfahrung in Software Engineering und Full-Stack Backend-Entwicklung.
Unabhängige Projekte (Selbstständig)
DeutschlandAI Engineer & LLM-Systemarchitekt
Eigenverantwortliche Entwicklung, Absicherung und deterministische Evaluierung von LLM-Agenten-Pipelines, Guardrail-Middleware und Test-Harnesses auf Produktivniveau.
Pathnovo Solutions
RemoteSoftware Developer
Entwicklung plattformübergreifender mobiler Anwendungen und skalierbarer REST-APIs für 4–5 Kundenprojekte in 4 Monaten mit hoher Umsetzungsgeschwindigkeit.
CodeLeap InfoTech
IndienSoftware Developer (Praktikant)
Vollständige Eigenverantwortung für 4 Kundenprojekte als Alleinentwickler (Figma-UI-Design → Mobile Frontend → Backend-Architektur → Datenbankdesign → AWS-Produktiv-Deployment) mit Senior-Mentoring.
Technologie & Tools
Programmiersprachen, KI-Frameworks, Datenbanken und DevOps-Werkzeuge.
Kontakt Aufnehmen
Direkter Kanal zu meinem Postfach. Ich antworte in der Regel innerhalb von 12 Stunden.
Fragen zu Jeneesh? Ich helfe gerne!