Über Dominik
ENG:
I develop and integrate tailored AI models, automate workflows, and build backend/API solutions that help companies use their data effectively.
My strengths: reliable execution, clear communication, and fast, practical results.
Ideal for companies that want to apply AI or automate processes — even without any technical background.
GER:
Ich entwickle und integriere maßgeschneiderte KI-Modelle, automatisiere Abläufe und erstelle Backend- und API-Lösungen, die Unternehmen helfen, ihre Daten sinnvoll zu nutzen.
Meine Stärken: zuverlässige Umsetzung, klare Kommunikation und schnelle, praxisnahe Ergebnisse.
Ideal für Firmen, die KI einsetzen oder Prozesse automatisieren möchten – auch ohne technisches Vorwissen.
Deutsch
Muttersprachlich oder zweisprachig
Englisch
Muttersprachlich oder zweisprachig
Polnisch
Muttersprachlich oder zweisprachig
Nur remote
Führt Projekte hauptsächlich remote aus
Projekt- und Berufserfahrung
- Forschungszentrum Jülich — PGI-14Artificial Intelligence Research AssistantFORSCHUNGAugust 2025 - Heute (10 Monate)52 Aachen, GermanyENG:Energy-Efficient AI Models for Sensor and Biology Data
- Designed and implemented a PyTorch framework for Kolmogorov–Arnold Networks (KANs) with visualization tools, refinement modules, and callback support; preparing open-source release.
- Evaluated KANs on biological (Ninapro EMG), wearable-sensor (UCI HAR), machine-condition, battery, regression, and classification datasets.
- Analyzed interpretability gains and potential energy-efficiency benefits compared to dense MLPs.
- Developed reproducible experiment workflows, structured logging, and WandB tracking.
DE:Energieeffiziente KI-Modelle für Sensor- und Biodaten- Entwickelt und implementiert ein PyTorch-Framework für Kolmogorov–Arnold-Netzwerke (KANs) mit Visualisierungstools, Verfeinerungsmodulen und Callback-Unterstützung; Vorbereitung der Open-Source-Veröffentlichung.
- KANs auf biologischen (Ninapro EMG), Wearable-Sensor- (UCI HAR), Maschinenzustands-, Batterie-, Regressions- und Klassifikationsdatensätzen evaluiert.
- Interpretierbarkeitsgewinne sowie potenzielle Energieeffizienzvorteile gegenüber dichten MLPs analysiert.
- Reproduzierbare Experiment-Workflows, strukturiertes Logging und WandB-Tracking entwickelt.
- Project: Audio-Conditioned Latent Diffusion for Album Cover GenerationMachine LearningDIGITALAGENTUREN & IT-CONSULTINGJuni 2025 - Juli 2025 (1 Monat)Beijing, ChinaENG:AI-based Image Generation from Audio (GenAI)
- Implemented basic, intermediate, and advanced MLP models with ControlNet integration.
- Used LoRA fine-tuning to make training faster and more efficient.
- Gained experience with multimodal AI models that combine audio and image information.
- https://github.com/DominikDrabik/art-from-audio
DE:KI-basierte Bildgenerierung aus Audiodateien (GenAI)- Implementierte Baseline-, einfache und erweiterte MLP-Architekturen mit ControlNet-Integration.
- Wendete LoRA-Fine-Tuning an, um Parameterupdates zu reduzieren und die Trainingseffizienz zu steigern.
- Sammelte praktische Erfahrung in multimodaler Modellierung – relevant für Sensorfusion im Robotikbereich.
- https://github.com/DominikDrabik/art-from-audio
- Project: Semantic SegmentationMachine LearningDIGITALAGENTUREN & IT-CONSULTINGJuni 2025 - Juli 2025 (1 Monat)Beijing, ChinaENG:AI-based Scene Segmentation for Street Images
- Implemented a UNet with ResNet-50 encoder and trained on Cityscapes using 3-fold cross-validation.
- Experimented with pretrained vs. non-pretrained encoders and tested multiple data augmentations (scale jitter, color jitter, flips, padding).
- Generated mIoU metrics, segmentation visualizations, and training curves for each fold.
- Gained hands-on experience with semantic segmentation pipelines for autonomous-driving–related tasks.
DE:KI-gestützte Szenensegmentierung für Straßenbilder- Implementierte ein UNet mit ResNet-50-Encoder und trainierte es auf dem Cityscapes-Datensatz mit 3-facher Cross-Validation.
- Verglich vortrainierte und nicht vortrainierte Encoder und testete verschiedene Datenaugmentierungen (Scale Jitter, Color Jitter, Flips, Padding).
- Erstellte mIoU-Metriken, Segmentierungsvisualisierungen und Trainingskurven für jeden Fold.
- Sammelte praktische Erfahrung mit Semantik-Segmentierungs-Pipelines für autonome-Fahrzeug-Anwendungen.
Empfehlungen
Sei die erste Person, die Dominik empfiehlt
Teile Deine Erfahrung aus der Zusammenarbeit mit diesem Freelancer.
Diese Freelancer passen auch zu Ihren Kriterien
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Ausbildung und Abschlüsse
- Informatik Bachelor (Auslandssemester).Tsinghua University2025ENG: Exchange semester at Tsinghua University (China’s #1 university, internationally Top-10), focused on Machine Learning. DE: Auslandssemester an der Tsinghua University (Chinas Nr. 1 Universität, international Top-10), Schwerpunkt Machine Learning.
- Informatik BachelorRWTH Aachen UniversityENG: RWTH Aachen – B.Sc. Computer Science (expected graduation Q1 2026). Ranked among the top 12–13% of my cohort. DE: RWTH Aachen – B.Sc. Informatik (vorauss. Abschluss Q1 2026). Unter den besten 12–13% des Jahrgangs.