Software Entwickler · AI Engineer
Kshitij Parashar
Was braucht es, um KI vom Proof of Concept in die Produktion zu bringen?
Zum Lesen scrollen
Zusammenfassung
Mich interessiert im Moment die Strecke zwischen KI-Forschung und Einsatz, auf der ein Modell, das als Proof of Concept funktioniert, zu einem System werden muss, auf das Menschen sich verlassen können. Ich kenne sie von beiden Seiten: Forschung bei Panasonic und eine von Grund auf gebaute Gesundheitsplattform für Vyom Health. Diese Seite folgt dem Weg: den Daten, dem Modell, dem System.
1Einleitung
Ich bin Kshitij.
Ich trainiere KI-Modelle und baue die Software um sie herum. Nach einem Jahr Forschung bei Panasonic bin ich heute Founding Engineer bei Vyom Health und baue dort die Gesundheitsplattform, neben dem Master an der TU Darmstadt. Wie KI von der Forschung in die Produktion kommt, damit beschäftige ich mich gerade.
- Erfahrung
- 2,5 Jahre
- Abgeschlossen
- 19+ Projekte
- Tätig bei
- 6 Unternehmen
2Hintergrund
Doha
Die Schulzeit in Doha, Katar.
Singapur
Meine vier Praktika waren jedes eine andere Aufgabe. Der Wechsel zwischen ihnen hat mich vielseitig gemacht und mich gelehrt, mich schnell auf eine neue Rolle und eine neue Art von Problem einzustellen.
Aug. 2020 – Juni 2024: B.Eng Computer Science, NTUNanyang Technological University
Mai 2021 – Juli 2021: Praktikant Business-Analyse, Mentogram
Mai 2022 – Aug. 2022: Praktikant IoT, VFlowTech
Jan. 2023 – Mai 2023: Praktikant Full-Stack-Entwicklung, Temasek Labs @ NTU
Mai 2023 – Aug. 2023: Praktikant Data Science & Analytics, STMicroelectronics
Sept. 2024 – Sept. 2025: Forschungs- und Entwicklungsingenieur, Panasonic Industry
Darmstadt
Jetzt der Master in Informatik an der TU Darmstadt. Parallel dazu bin ich Founding Engineer bei Vyom Health, einem kleinen Team, das Vorsorgemedizin in Indien zugänglicher macht, und baue dessen Plattform von Grund auf.
Apr. 2026 – heute: M.Sc Computer Science, TU DarmstadtTechnische Universität Darmstadt
Jan. 2026 – heute: Founding Engineer, Vyom Health
3Methode
Daten
Am Anfang stehen die Daten. Bei Panasonic habe ich die Datenerhebung entworfen und untersucht, wie die Daten schwankten. Das hat mich gelehrt, erst zu fragen, wozu die Daten gut sind, und dann, welches Modell ich trainiere: wo sie echten Nutzen bringen können, und nicht nur, ob sich ein Modell darauf zum Laufen bringen lässt.
Modell
Dann ein Modell, das zum Problem passt. Bei Panasonic habe ich ein U-Net für die Geruchserkennung feinabgestimmt und die dafür nötigen Trainingsdaten halbiert. Das hat mich gelehrt, ein Modell danach zu beurteilen, was Training und Betrieb kosten, und nicht allein nach seiner Genauigkeit.
System
Dann die Software darum herum. Bei Vyom Health durfte ich die Architektur selbst wählen, und ich muss mit ihr leben. Das hat mich gelehrt, eine Entscheidung danach zu bewerten, was es später kostet, sie zu ändern. Es hat mich auch gelehrt, Software für die Menschen einfach zu machen, die sie benutzen: bei Vyom Gesundheitspersonal ohne technischen Hintergrund, und bei Panasonic die Beschäftigten in der Fabrik, die mit meinem Werkzeug eine Produktionslinie überwachten.
4Experimente
Sprache im Rauschen
Meine Bachelorarbeit: LSTM-Modelle, die Sprache in verrauschtem Audio finden. Die Monate daran haben mir gezeigt, wie Forschung im Alltag aussieht: Geduld und viele Durchläufe.
Klang als Landschaft. Die Zeit läuft von links nach rechts, jeder Grat ist Energie in einer Tonhöhe: Sprache hat Spitzen, Rauschen ist flach. Der bernsteinfarbene Streifen zeigt, wo der Detektor Sprache hört, der helle, wo Sprache ist. Mit mehr Rauschen laufen sie auseinander. Schematisch: Das Audio ist synthetisch, und eine einfache Regel steht für das trainierte LSTM.
Farbe aus Grau
Ein kleines Projekt für meinen Kurs über Deep Learning und neuronale Netze, zu einem Thema, das wir selbst gewählt haben: Netze, die aus einem Graustufenfoto ein Farbfoto machen. Wir haben viele Architekturen und Verlustfunktionen ausprobiert. Im Vergleich habe ich gesehen, warum es jede Entwurfsentscheidung gibt, wie viel die Verlustfunktion bestimmt und dass ein Bild gut abschneiden und trotzdem falsch aussehen kann.
Links der Trennlinie steht das Bild, das das Netz bekam, rechts das, was es zurückgab. Beide Bilder stammen aus dem Projekt.
Der schnellste Weg
Ein Roboter, der den schnellsten Weg zu jedem Hindernis plant, dessen Bild fotografiert und am Symbol abliest, wohin es weitergeht. Ich habe das achtköpfige Team geleitet, das ihn gebaut hat. Dabei habe ich gelernt, die Arbeit so aufzuteilen, dass acht Leute gleichzeitig bauen können, und die Teile früh und oft zusammenzuführen.
Das Auto kann nur nach vorn fotografieren. Jedes Symbol sagt, wie es weiterfährt: links, rechts oder umkehren. Schematisch: Anordnung und Planung sind vereinfacht.
KI und Daten
Die übrigen Experimente: alle Projekte der Seite. Jedes öffnet sich mit seinen Bildern, den verwendeten Werkzeugen und dem Weg zum Code oder zur Ausarbeitung.
- Explanation Attacks on Face VerificationPyTorch, ElasticFace, Explainable AI, Adversarial Attacks
- Horse Health Predictionscikit-learn, Kaggle
- Robust Voice Activity DetectionPyTorch, LSTM, ONNX
- Deep Image ColourizationPyTorch, CNN, Encoder-Decoder
- IntellicheckOpenCV, NLTK, SpaCy
- Olist E-Commerce AnalysisJupyter, NumPy, pandas, seaborn
Software
- This PortfolioNext.js, React Three Fiber, Tailwind, AI SDK
- Do.MoveReact Native, Expo, Supabase, PostGIS
- ResumeLens AIReact, Puter.js, Zustand, Tailwind
- PreSchool GoWhereReact, Node, Express, Firebase
- Self-Navigating RobotAndroid Studio, Java
- myBikeSGReact, Node, Express, Firebase
- Restaurant Reservation SystemJava, OOP, Eclipse
5Ergebnisse
Entwicklung
- ForscherVon der Bachelorarbeit zu einem Jahr Forschung und Entwicklung bei Panasonic
- IngenieurVon Praktika in den Anwendungen anderer zum Founding Engineer der Plattform von Vyom Health
- TeamleiterVon der Leitung von Projektteams im Studium zur Leitung der Entwicklung bei Vyom Health
- MentorVon einem Java-Workshop für über 30 Mitarbeitende bei STMicroelectronics zum Mentoring von drei Engineering-Praktikant:innen
Engagement
- 300+ Teilnehmende bei der ersten National AI Student Developer Conference, als Programmleiter
- 100+ Teilnehmende beim Deep Race Dash mit AI Singapore und AWS, als Programmleiter
- 100+ Teilnehmende bei Codewars, einem Coding-Event mit IEEE-NTU
- Unterricht für Kinder in Lesen, Mathematik und Tennis mit Youth Corps Singapore, und für Studierende in Android-Entwicklung
- Organisation von Interviewvorbereitung, Altklausur-Lösungen und Peer-Tutoring im Informatik-Club der NTU
- Websites für das NTU-Chapter der Institution of Engineers und den Developer Student Club Darmstadt
6Peer-Review
Saravanan Sampath
In addition to his excellent technical skills, Kshitij brings with him a diverse set of essential soft skills. He is proactive, takes initiative, performs planning of tasks, and works toward goals. He aligns with requirements through regular communication and completes tasks efficiently. His solution-centric approach, coupled with his willingness to learn, upskill and work collaboratively is sure to help him greatly in any role that he assumes.Siddharth Dangi
As a novel start up in its first year, Mentogram greatly benefitted from Kshitij's solution-oriented approach in appealing to customer traction as well as creating an effective market base to build off upon in the future. His abilities in analysis enable him to put together a good strategy through research, which is critical in addressing complex problems of any kind. His market research was pivotal in determining our strengths, and more importantly potential areas of improvement.Chandra Gunawan
The development of the AI Playground web app within a mere two-month timeframe is nothing short of extraordinary. We are impressed by your humble and insatiable thirst for knowledge. Your eagerness to learn and grow is truly admirable. During discussions, you actively engaged by offering valuable insights, while ensuring that your leaders and teammates had ample space to express their ideas as well. Your collaborative nature makes you a joy to work with in any team setting.7Fazit
Das war die lange Antwort.
Die kurze Antwort ist, dass ich noch lerne. Diese Seite zeigt, was ich bisher darüber gelernt habe, wie KI vom Proof of Concept in die Produktion kommt: in der Forschung bei Panasonic und beim Aufbau der Plattform von Vyom Health.
Ausblick
Ich möchte weiter lernen und wachsen, mit Menschen, die mehr wissen als ich. Ich bin offen für Einstiegsstellen und Kooperationen, und am schnellsten erreichst du mich per E-Mail.