• ENGLISH

Kavyashree Byalya
Nanjegowda

KI Software Engineer | M.Sc. Digital Engineering

• Email
• LinkedIn
• GitHub

Ich bin ein auf KI/ML spezialisierter Softwareentwickler mit mehr als vier Jahren Berufserfahrung in den Bereichen Automatisierung, agentenbasierte Systeme und produktionsreife technische Lösungen.Ich absolviere derzeit einen Master of Science in Digital Engineering an der Otto-von-Guericke-Universität Magdeburg mit den Schwerpunkten maschinelles Lernen, Data Engineering und intelligente Systeme.In meiner derzeitigen Position als Werkstudent bin ich in den Bereichen Softwareentwicklung und Qualitätssicherung tätig und beschäftige mich mit der Konzeption und Integration von KI-Funktionen, insbesondere KI-gesteuerten Multi-Agenten-Workflows, um die Zuverlässigkeit und Wirkung von Produkten zu verbessern.Zuvor war ich fast drei Jahre lang als Softwareentwickler bei Accenture tätig, wo ich meine Erfahrungen in den Bereichen Softwareentwicklung und Qualitätssicherung durch die Entwicklung von Funktionen, die Unterstützung von Produktionsreleases und Eskalationen sowie die funktionsübergreifende Zusammenarbeit in agilen Release-Zyklen vertiefen konnte.Aktuell suche ich eine Position als AI Engineer, Machine Learning Engineer oder AI Automation Engineer. Zudem bin ich offen für Data-Scientist-Rollen mit Fokus auf der praxisnahen Implementierung von KI-Lösungen in realen Anwendungsszenarien.

PROJEKTE

Diese Projekte zeigen meine Arbeit in den Bereichen KI/ML, Data Analytics und Software Engineering, in denen ich Ideen in zuverlässige, funktionierende Systeme überführe. Ich setze Projekte ganzheitlich um – von der Problemdefinition und Datenaufbereitung über Modellierung und Evaluation bis hin zur Bereitstellung in Form interaktiver Dashboards oder implementierter Prototypen. Dabei stehen reproduzierbare ML-Workflows, erklärbare Ergebnisse und eine saubere, strukturierte Umsetzung mit Fokus auf realen Mehrwert im Mittelpunkt. Jede Lösung wird zur gezielten Lösung eines konkreten Problems entwickelt, datenbasiert validiert und auf Klarheit sowie Benutzerfreundlichkeit ausgelegt.

• Projekte ansehen

Vielen Dank, dass Sie sich die Zeit genommen haben, mein Portfolio zu besuchen!
Wenn Sie der Meinung sind, dass ich gut in Ihr Team passe, freue ich mich über Ihre Kontaktaufnahme. Sie können mich per E-Mail oder über LinkedIn erreichen oder das untenstehende Formular nutzen.

Feature Importance in Time Series For Energy Consumption in CNC Machine

Projektübersicht
Dieses Projekt wurde in Zusammenarbeit mit der Forschungsgruppe „Autonomous Multi-sensor Systems (AMS)“ an der Otto-von-Guericke-Universität Magdeburg im Rahmen eines AMS-Laborprojekts durchgeführt. Im Fokus stand die Analyse der Merkmalswichtigkeit in Zeitreihendaten zur Energieverbrauchsprognose von CNC-Maschinen. Grundlage bildeten reale CNC-Sensorprotokolle sowie mehrere Machine-Learning-Modelle in Kombination mit Explainability-Methoden – Integrated Gradients (IG), WINIT, LIME und Permutation Importance, um die einflussreichsten Prozess- und Sensorsignale zu identifizieren und energieeffiziente Fertigungsprozesse zu unterstützen.Problemstellung
1. Welche Prozess und Sensorvariablen beeinflussen den Energieverbrauch von CNC-Maschinen unter unterschiedlichen Bearbeitungsbedingungen am stärksten?
2. Wie unterscheiden sich Feature-Importance-Methoden hinsichtlich Genauigkeit, Laufzeit und Aussagekraft der Erklärungen für industrielle Zeitreihendaten?
3. Wie können die Ergebnisse über eine interaktive Benutzeroberfläche zugänglich gemacht werden, sodass Ingenieure Erklärungen szenarienübergreifend analysieren können?Vorgehensweise und Methodik1. Datensatzaufbereitung und Vorverarbeitung
- Verwendung von vier realen Zeitreihendatensätzen einer DMC2-CNC-Maschine: DMC2ALCP1, DMC2ALCP2, DMC2SCP1, DMC2SCP2 (Aluminium/Stahl × CP1/CP2).
- Entfernung irrelevanter oder konstanter Spalten (z. B. CYCLE, ADBD0, ungenutzte POWER-Kanäle).
- Ausschluss von 28 Spalten mit fehlenden Werten (NaNs).
- Eliminierung inaktiver Achsmerkmale; Beibehaltung von 52 relevanten Merkmalen in Bezug auf aktive Achsen und Spindel.
- Standardisierung der Eingabedaten und Normalisierung der Zielvariable zur Stabilisierung des Trainings.
- Durchführung zweier experimenteller Einstellungen: mit und ohne korrelationsbasierte Filterung (Entfernung hoch korrelierter Merkmale), um Redundanzeffekte zu analysieren. Sämtliche Modellierungs- und Explainability-Durchläufe wurden offline ausgeführt; Metriken, Visualisierungen und Top-Merkmale wurden gespeichert und später in der Anwendung bereitgestellt.2. Implementierte Feature-Importance-Methoden
- Integrated Gradients (IG): Gradientenbasierte Attributionen für differenzierbare Modelle (angewendet auf FNN/LSTM).
- WINIT: Fensterbasierte Zeitreihen-Attribution zur Erfassung zeitlicher und verzögerter Effekte (angewendet mit LSTM und explorativ mit XGBoost).
- LIME: Lokale Surrogat-Erklärungen, evaluiert mit LSTM, Random Forest und XGBoost.
- Permutation Importance (PI): Shuffle-basierte Wichtigkeitsmessung anhand des Performanceverlusts, eingesetzt bei baumbasierten Modellen (Decision Tree, Random Forest).3. Evaluation und Vergleich
Vergleich der Methoden anhand von Testverlust, Ausführungszeit sowie Interpretierbarkeit und Stabilität der ranghöchsten Merkmale über verschiedene Szenarien hinweg.4. Streamlit-Anwendung
- Integration der Experimentergebnisse in ein interaktives Streamlit-Dashboard. Die Benutzeroberfläche ermöglicht Vergleiche zwischen Datensatzszenarien und Explainability-Methoden, einschließlich Visualisierungen und gerankter Merkmalslisten.
- Nutzer können eine Methode (IG/WINIT/LIME/PI) sowie ein Szenario (Material/Programm) auswählen und anschließend Merkmalsranglisten sowie Performance-Kennzahlen direkt analysieren.Zentrale Erkenntnisse
1. Merkmalsranglisten variieren je nach Szenario und Methode; daher ist der Vergleich mehrerer Erklärungsansätze für industrielle Datensätze essenziell.
2. Integrated Gradients in Kombination mit einem FNN und korrelationsbasierter Filterung zeigte über alle Datensätze hinweg ein ausgewogenes Verhältnis zwischen Genauigkeit, Laufzeit und Interpretierbarkeit.
3. Signale im Zusammenhang mit Drehmoment/Last sowie Regelabweichungen traten konsistent als einflussreiche Treiber von Energieverbrauchsmustern auf.Verwendung der Anwendung
1. Öffnen Sie das Dashboard über den bereitgestellten link.
2. Wählen Sie eine Methode (IG / WINIT / LIME / Permutation) sowie ein Datensatzszenario (Material/Programm).
3. Analysieren Sie die gerankten Merkmale und vergleichen Sie Zielkonflikte anhand von Testverlust und Ausführungszeit.Zukünftige Erweiterungen
Derzeit stellt die Anwendung vorab berechnete Feature-Importance-Ergebnisse dar. Für den industriellen Einsatz kann die Architektur jedoch um eine CI/CD-Pipeline und Datenupload-Funktionalität erweitert werden. Dadurch ließen sich Vorverarbeitung, Modellbewertung und Erklärungsberechnung automatisieren, sodass sich das Dashboard von einem statischen Analysewerkzeug zu einer skalierbaren, kontinuierlich aktualisierten Analytics-Plattform weiterentwickeln kann.

• Zurück

Interactive 3D Rotary Calciner Simulation for Process Engineering Education

Projektübersicht
Dieses Projekt wurde in Zusammenarbeit mit dem Institut für Verfahrenstechnik der Otto-von-Guericke-Universität Magdeburg (OvGU) entwickelt. Ziel war die Erstellung einer interaktiven 3D-Visualisierungsanwendung für die verfahrenstechnische Ausbildung, welche den universitären Pilotanlagen-Drehrohrofen digital nachbildet. Studierende erhalten dadurch die Möglichkeit, komplexe Industrieanlagen virtuell zu erkunden und den Kalzinierungsprozess durch immersive digitale Interaktion besser zu verstehen.Problemstellung
1. Wie können komplexe Industrieanlagen für Studierende zugänglich gemacht werden, wenn der physische Zugang zu Pilotanlagen eingeschränkt ist und klassische Vorlesungen kaum praktische Erfahrungen bieten?
2. Welcher Detaillierungsgrad und welche Interaktivität sind erforderlich, um sowohl strukturelle Komponenten als auch betriebliche Abläufe eines Drehrohrofens verständlich zu vermitteln?
3. Wie kann der Kalzinierungsprozess dynamisch visualisiert werden, sodass Materialbewegungen, thermische Zersetzungsphasen und Komponenteninteraktionen in Echtzeit dargestellt werden?Vorgehensweise und Methodik
1. Anforderungsanalyse und technische Spezifikationen
- Durchführung von Vor-Ort-Besuchen an der Pilotanlage der OvGU mit detaillierten Vermessungen und fotografischer Dokumentation.
- Dokumentation der technischen Spezifikationen des Drehrohrofens, Analyse des thermischen Zersetzungsprozesses sowie Berechnung relevanter Simulationsparameter.2. 3D-Modellierung und Asset-Erstellung
- Erstellung präziser Komponentenmodelle in SolidWorks für komplexe mechanische Bauteile (Motor, Kettenantrieb, Zahnkranz mit 33 Zähnen).
- Entwicklung visueller Modelle in Blender für Trommelstruktur, Stützrollen, Heizspiralen und Steuerungssysteme.
- Export der Modelle im .fbx-Format zur Integration in Unity unter Sicherstellung korrekter Skalierung und Texturzuweisung.3. Entwicklung der Unity-Anwendung
- Implementierung einer Entity-Component-System (ECS)-Architektur zur Gewährleistung modularer und skalierbarer Code-Strukturen.
- Entwicklung zentraler Verwaltungsklassen: DialogueManager (22 geführte Szenen), AnimationManager (Partikelphysik), AudioManager (synchronisierte Sprachführung).
- Realisierung zweier Interaktionsmodi: Geführter Lernpfad mit narrativer Begleitung sowie freie 3D-Erkundung mit Maus- und Slider-Steuerung (Zoom, Rotation).
- Implementierung eines ButtonControlScript zur konsistenten Navigation (Home-, Weiter-, Zurück- und Überspringen-Buttons in allen Szenen).4. Physikbasierte Simulation
- Programmierung einer realistischen Trommelrotation synchronisiert mit Motor- und Zahnkranzbewegung.
- Implementierung von Gravitation und Kollisionsphysik zur authentischen Simulation der Materialbewegung im rotierenden Ofen.5. Interaktive Lernfunktionen
- Komponentenerklärungsmodus: Hervorhebung einzelner Bauteile mit technischen Spezifikationen und didaktischen Erläuterungen.
- Simulationsmodus: Darstellung des vollständigen Betriebszyklus mit Materialzufuhr, Trommelrotation (RPM-gesteuert), Aktivierung der Beheizung und Partikelbewegung.6. Softwareentwicklungsprozess
- Anwendung agiler Methoden mit iterativer Entwicklung, regelmäßigen Feedback-Sitzungen mit Betreuenden und kontinuierlicher Optimierung.
- Durchführung von Usability-Tests mit Studierenden der Ingenieurwissenschaften zur Validierung der didaktischen Wirksamkeit und Benutzerfreundlichkeit.Zentrale Erkenntnisse
- Interdisziplinäre Zusammenarbeit zwischen Informatik und Verfahrenstechnik ermöglicht die Entwicklung effektiver Lehrwerkzeuge durch Kombination von Modellierungsexpertise und prozesstechnischem Fachwissen.
- Duale Interaktionskonzepte (geführtes Lernen vs. explorative Erkundung) berücksichtigen unterschiedliche Lernbedürfnisse und unterstützen sowohl strukturierte Lehrformate als auch selbstgesteuertes Lernen.
- Entwurfsmuster (Singleton, ECS, Decorator) gewährleisten Wartbarkeit und Erweiterbarkeit der Anwendung, wodurch zukünftige Ergänzungen von Komponenten oder Prozessen erleichtert werden.
- 3D-Visualisierung überbrückt die Lücke zwischen Theorie und Praxis in der Ingenieurausbildung, indem komplexe Anlagenabläufe bereits vor dem realen Industrieeinsatz nachvollziehbar gemacht werden.Zukünftige Erweiterungen
Die aktuelle Anwendung konzentriert sich auf die chargenweise Kalzinierung von Aluminiumhydroxid. Künftige Erweiterungen könnten variable Prozessparameter ermöglichen, sodass Nutzer Temperaturprofile, Drehzahlen und Materialeigenschaften anpassen und unterschiedliche Kalzinierungsergebnisse beobachten können. Eine Erweiterung auf weitere Materialien wie Kalkstein, Magnesit oder Petrolkoks mit materialspezifischem thermischem Verhalten ist ebenfalls denkbar.
Die Integration von Echtzeit-Datenvisualisierungen (Temperaturverläufe, Feuchtigkeitskurven, Energieverbrauchskennzahlen) würde das quantitative Lernen stärken. Zudem könnte eine VR-/AR-Implementierung immersive Lernerfahrungen ermöglichen, während integrierte Bewertungsmodule mit Quiz- und Simulationsaufgaben Lernfortschritte messen und automatisiertes Feedback für selbstgesteuertes Lernen bereitstellen.

Sales and Profit Dashboard in Power BI

Projektübersicht
Dieses Projekt wurde im Rahmen der Lehrveranstaltung „Data Visualization“ der Visualization Group an der Otto-von-Guericke-Universität Magdeburg entwickelt. Es präsentiert ein interaktives Power-BI-Dashboard auf Basis eines mehrjährigen US-Superstore-Datensatzes zu Umsatz und Gewinn, der von Kaggle bezogen wurde. Die Anwendung ermöglicht die Analyse der Profitabilität nach Region, Kundensegment, Produktkategorie und Zeitverlauf mithilfe klarer Visualisierungen und eines intuitiven, explorativen Layouts. Der Fokus liegt auf einer fortgeschrittenen, interaktiven Berichterstattung, die Leistungskennzahlen und geschäftliche Treiber transparent macht.Problemstellung
1. Wie lassen sich Einzelhandelsdaten eines Superstores so visualisieren, dass Umsatz- und Gewinnpotenziale über Kundengruppen, Produktkategorien und geografische Regionen hinweg klar erkennbar werden?
2. Welche Gewinnmuster zeigen sich im Zeitverlauf, und wie unterscheiden sie sich zwischen Regionen und Produktunterkategorien?
3. Welche Kundensegmente tragen am stärksten zur Profitabilität bei, und welche Kategorien weisen eine nachhaltige Umsatzentwicklung auf?
4. Wie kann ein interaktives Dashboard eine schnelle, Self-Service-Analyse komplexer, mehrdimensionaler Verkaufsdaten zur Unterstützung fundierter Entscheidungen ermöglichen?Methodik und Vorgehen
Datensatz:
Der ausgewählte Kaggle-Datensatz bildet realistische Einzelhandelstransaktionen ab und eignet sich für eine fundierte betriebswirtschaftliche Analyse und Visualisierung mit folgenden Merkmalen:
- Rund 9.994 Datensätze aus den Jahren 2016–2019.
- Alle Kennzahlen sind in USD angegeben.
- Zentrale Felder umfassen Kundensegmente (Consumer, Corporate, Home Office), Produktkategorien und -unterkategorien (Furniture, Office Supplies, Technology), Versandart, Bestelldatum, geografische Attribute (50 US-Bundesstaaten, gruppiert in vier Regionen), Umsatz, Menge und Gewinn.1) Datenaufbereitung und -bereinigung
- Import des Datensatzes sowie Prüfung von Struktur, Datentypen und Felddefinitionen.
- Durchführung von Qualitätsprüfungen hinsichtlich Datumsbereichen, Konsistenz kategorialer Variablen sowie Plausibilität von Umsatz- und Gewinnwerten zur Sicherstellung verlässlicher Berichte.2) Dashboard-Design in Power BI
- Erstellung verschiedener Visualisierungen zur Analyse der Performance aus unterschiedlichen Perspektiven, darunter:
- Kreisdiagramme zur Darstellung des regionalen Gewinnanteils.
- Donut-Diagramme zur Gewinnverteilung nach Kundensegment und Produktkategorie.
- Balkendiagramme zum Vergleich der Gewinne zwischen Produktunterkategorien.
- Liniendiagramme zur Analyse von Gewinntrends nach Jahr bzw. Quartal.
- Tabellen zur detaillierten Darstellung von Umsatz- und Gewinnkennzahlen.
- Slicer (z. B. nach Bundesstaat) sowie KPI-Karten zur schnellen Filterung und zusammenfassenden Leistungsbewertung.
Das Berichtskonzept unterstützt Drill-Down-Funktionen und Cross-Filtering für vertiefende Analysen.3) Interaktivität und Benutzererfahrung
- Ermöglichung interaktiver Analysen durch Slicer, Hover-Tooltips und visuelles Cross-Highlighting.
- Strukturierte Layout-Gestaltung zur intuitiven Navigation vom KPI-Überblick hin zu detaillierten Auswertungen.Zentrale Erkenntnisse
1. Das Dashboard bietet eine konsolidierte Sicht auf Umsatz und Gewinn über Zeit, Regionen und Produktstrukturen hinweg und unterstützt datenbasierte.
2. Entscheidungen.
Unterschiedliche Visualisierungsperspektiven ermöglichen die Identifikation leistungsstarker Regionen und Kategorien sowie potenziell unrentabler Unterkategorien.
3. Die Kundensegmentanalyse zeigt, wie verschiedene Käufergruppen unterschiedlich zur Profitabilität beitragen.
4. Interaktive Funktionen (Filter und Drill-Down) fördern explorative Analysen und erlauben individuelle Auswertungen ohne Anpassung des Berichts.Anleitung zur Nutzung des Dashboards
1. Laden Sie die Power-BI-Datei (.pbix) aus dem GitHub-Repository herunter.
2. Öffnen Sie die Datei mit Power BI Desktop (kostenlose Microsoft-Anwendung).
3. Nutzen Sie Slicer und interaktive Visualisierungen, um Umsatz und Gewinn nach Bundesstaaten, Regionen, Segmenten und Produktlinien zu analysieren.