Hrishikesh JadhavAI Engineer
Ich baue LLM-Extraktionspipelines, RAG- und MCP-Systeme sowie die Evaluation Gates, die entscheiden, was in Produktion geht.
Ich bin Hrishi und habe bei Toku die LLM-Extraktionspipeline, den RAG-Assistenten und den MCP-Server gebaut, die innerhalb einer globalen Payroll-Plattform täglich produktiv im Einsatz sind. Davor war ich Data Scientist bei GfK / NIQ in Nürnberg, wo ich LLM-Klassifizierung, semantisches Retrieval und Vorhersagemodelle entwickelt und mit Python, AWS, Docker und GitLab CI/CD produktiv betrieben habe.
Über 4 Jahre Erfahrung in der Entwicklung und produktiven Bereitstellung von AI- und Backend-Systemen in Deutschland.
Berufserfahrung
Interne AI-Tools
- Brachte AI-Tools in den täglichen Produktivbetrieb von Product-, Engineering- und Sales-Teams: einen MCP-Server, der interne Systeme für LLM-Clients zugänglich macht, einen RAG-Assistenten (FastAPI, LangChain, pgvector) sowie n8n-Automatisierungen für Onboarding, die Verarbeitung von Gehaltsabrechnungen und Support-Triage. Verantwortete Deployment, Dokumentation, Onboarding und direkten Anwendersupport.
- Verlagerte Security Reviews für Tausende Pull Requests direkt in den Pull Request, indem automatisierte, LLM-gestützte Sicherheitsprüfungen in GitHub CI für Tokus Finanzplattform integriert wurden.
LLM-Pipelines und Evaluation
- Reduzierte die Erfassung produktiver Payroll-Daten von Stunden manueller Arbeit pro Abrechnungszyklus auf Minuten, mit einer selbst gehosteten LLM-Extraktionspipeline (Python, FastAPI, PostgreSQL, DigitalOcean), die personenbezogene Daten vor der Inferenz maskiert.Selbst gehostet, damit keine Mitarbeiterdaten die kontrollierte Infrastruktur verlassen.
- Sicherte eine feldbasierte Extraktionsgenauigkeit oberhalb des vereinbarten Schwellenwerts über alle extrahierten Felder, geprüft gegen ein umfangreiches Golden Evaluation Set; entwickelte dafür das Evaluation Framework und ein CI Regression Gate, das jedes Deployment unterhalb des Schwellenwerts blockiert.So kann keine Änderung, die die Extraktionsgenauigkeit verschlechtert, Payroll-Daten erreichen.
- Senkte die LLM-Inferenzkosten auf einen Bruchteil der geschätzten Kosten vergleichbarer externer API-Nutzung durch den Betrieb von Open-Weight-Modellen auf selbst gehosteter GPU-Infrastruktur.
Personenbezogene Daten werden vor der Inferenz maskiert, und ein Gate auf Basis des Golden Sets entscheidet, was deployt wird. Kundenseitige Plattformen
- Entwickelte status.toku.com, Tokus öffentliche Statusplattform: Produktionskomponenten werden in einem kurzen, festen Intervall vom Cloudflare Edge aus geprüft und Incidents automatisch erkannt und geschlossen, mit Dependency Rollups, Edge-vs.-Origin-Fehlerisolierung sowie JSON API und RSS-Feed. Neue Incidents lösen eine Slack-Benachrichtigung an das Team aus, und Fehler, die eine Codeänderung erfordern, übernimmt ein Coding Agent.Weil Edge und Origin getrennt geprüft werden, ist ein Fehler dem CDN oder der Anwendung zugeordnet, bevor sich jemand damit befasst.
- Entwickelte Tokus kundenseitiges Help Center mit AI-Assistenten (toku.com/help, Next.js) auf Basis der Notion-Wissensdatenbank von Toku, mit Artikeln zu Payroll, Benefits, Richtlinien und Länderleitfäden für Dutzende Länder; Inhalte für allgemeine Hilfe und Visa-Support liegen in getrennten Retrieval-Korpora, mit Multi-Model-Fallback über mehrere Provider.Getrennte Korpora, damit Fragen zu Einwanderung und Arbeitserlaubnis nie aus allgemeinen Payroll-Inhalten beantwortet werden.
- Reduzierte den manuellen Aufwand bei der Produkt-Taxonomie-Klassifizierung um rund 30 % durch einen LLM-basierten Klassifikationsservice auf Amazon Bedrock mit Prompt Engineering und RegEx-basiertem Post-Processing.
- Reduzierte die Suchzeit in internen Produktkatalogen um rund 40 % gegenüber der bisherigen Keyword-Suche durch semantisches Retrieval auf Basis von Vector Embeddings.
- Verbesserte die Vorhersagegenauigkeit für simultane Zuschauer um rund 20 % gegenüber dem bisherigen Modell durch Training und Deployment eines CatBoost-Modells mit über 30 entwickelten Features aus Soziodemografie, zeitlichen Mustern und Programm-Metadaten.
- Gewährleistete den 24/7-Betrieb produktiver Scoring-Pipelines ohne manuelle Eingriffe durch die Orchestrierung von S3-Ingestion, Feature-Generierung, Model Scoring und automatisierten Integrationstests in GitLab CI/CD, containerisiert mit Docker unter Linux.
- Entwickelte eine Data-Fusion-Pipeline für TV-Zuschauerdaten mit K-Nearest Neighbors und einem genetischen Algorithmus, um Panel-Haushalte anhand umfangreicher Return-Path-Daten zuzuordnen und zu replizieren.
- Entwickelte COVID-19-Modelle zur Entscheidungsunterstützung in Python (SEIRD, scikit-learn, SciPy) und Prognose-Dashboards (Plotly, AWS), die als Grundlage für Entscheidungen der indischen Regierung zu Lockdowns und Teststrategien dienten, mit einem um 4,8 % niedrigeren RMSE gegenüber der vorherigen Baseline.
Publikationen
2025
Ontology Evolution in Invasion Biology Using Large Language Models: A Hybrid Approach
Hrishikesh Jadhav, Tina Heger, Birgitta König-Ries, Alsayed Algergawy
LLM-TEXT2KG 2025, CEUR Workshop Proceedings Vol. 4020, S. 195-206
Eine hybride Pipeline, die GPT-4-Prompting und Zero-Shot-Extraktion mit klassischem Ontology Engineering kombiniert, um INBIO, eine Kernontologie für die Invasionsbiologie, aufzubauen und weiterzuentwickeln; Fachleute aus der Domäne validieren dabei neue Klassen.
2021
A Deep Learning Mobile Application based Sign Language Recognition for Aphasic Person
Hrishikesh Jadhav, Pushkar Dounde, Akash Pawar, Abhishek Muthange
Journal of Emerging Technologies and Innovative Research (JETIR)
Eine Android-App, die Gesten der Gebärdensprache mithilfe von Histogram-of-Oriented-Gradients-Merkmalen sowie CNN- und Multiclass-SVM-Klassifikatoren erkennt.
Auszeichnungen
- 2024
NIQ/GfK HACKFEST
Top 3, mit einem RAG-Lernassistenten, der in 24 Stunden gebaut und präsentiert wurde
- 2024
BMW Innovation Challenge
Ausgewählter Teilnehmer der 24-Stunden-Challenge in der BMW iFactory Dingolfing (Use Case: DocCheck)
- 2020
IEEE Machine Learning Hackathon
1. Platz
- 2020
HackCovid-19
Sieger unter 130 Teams
- 2017
Smart India Hackathon
Sieger (indisches Verteidigungsministerium)
Kontakt
knowhrishi.de@gmail.comOffen für AI-Engineering-Rollen in Deutschland ab Oktober 2026. Inhaber der Blauen Karte EU mit Arbeitserlaubnis für Deutschland.