Kasatov KI & Daten
EN Kontakt aufnehmen

Teilebezeichnung:

Sergey
Kasatov

17 Jahre Automobil-Engineering → Daten & KI-Automatisierung

Fokus: KI & Automatisierung · Datenanalyse · Köln, DE

Ich entwerfe KI-Agenten, denen ein Unternehmen vertrauen kann und ich prüfe, wo sie scheitern.

17 Jahre Automobil-Engineering in Ford-, GM- und Stellantis-Programmen, umgeschult auf Daten. Heute entwerfe und betreibe ich ein Multi-Agenten-System, das 19 Workflows unbeaufsichtigt ausführt, gestützt auf die 8D-Disziplin eines Qualitätsingenieurs.

Meine Projekte Kontakt
GitHub LinkedIn Tableau E-Mail
Zur Einstellung freigegebenab sofort verfügbar · DE
Abb. 1 · SPC-Regelkarte KW 1–24
OEG UEG
Time-to-Close: ca. 4 → ca. 3 Wochen · Stellantis-Programm
17J.
Automobil-Engineering: Entwicklung, Qualität, Anlauf
7
Fahrzeuganläufe mit Werken und Lieferanten
250T€
größte dokumentierte Kosteneinsparung pro Initiative
13/ 3
Portfolio-Projekte / davon online

Schnitt A-A · Warum dieses Profil

Ein Ingenieur, der seine eigene Arbeit automatisiert

Die meisten Analysten lernen die Domäne aus Dashboards. Ich war 17 Jahre mittendrin: Werke, Lieferanten, Anlaufphasen. Dann kam der Daten-Stack, und danach die Agenten, die heute den Routineteil meiner eigenen Arbeit erledigen.

Fertigungs-Domänenwissen

Ich stand an der Linie, an der die Daten entstehen: Werke, Lieferanten, Anlaufphasen. Ich weiß, was die Zahlen physisch bedeuten.

Strukturierte Problemlösung

8D, SPC, PPAP/APQP: eine Ursachenanalyse-Disziplin, die direkt auf Analytik überträgt. Hypothese, Evidenz, Korrekturmaßnahme.

Klare Kommunikation

Jahre an den Schnittstellen von OEMs, Werken und Lieferanten: Ich erkläre Modelle und Kennzahlen auch nicht-technischen Stakeholdern, ohne die Substanz zu verlieren.

Stückliste · Auswahl

Arbeit, die ankommt und weiterläuft

Jede Kennzahl ist aus den verlinkten Repositories reproduzierbar oder online vorführbar: zwei Live-Dashboards in Tableau und eine Streamlit-Demo.

Pos. 01 · Jul–Sep 2026 Live
Screenshot der Executive-Ansicht der Arkon Quality Steering Cell auf Tableau Public, Stand 06.09.2026 16:12 Werksuhr: der Statussatz (20 von 50 offenen Vorfällen sind älter als drei Tage, die 6 der letzten Stunde werden innerhalb des Zeitfensters bearbeitet), vier KPI-Karten (überfällig 14 von 50 offenen, 28 Prozent; offen 50 bei 169 gemeldeten, 113 geschlossenen und 6 gelösten; Zeit bis zur Bestätigung 48,7 min Median gegen ein Zeitfenster von 15 min für P1 und 60 min für P2; Zeit bis zum Abschluss 144,1 min Median über 113 geschlossene), offene Vorfälle nach Altersband und Priorität mit dem überfälligen Anteil in Rot, die sechs langsamsten Bestätigungen als Vielfaches des jeweils erlaubten Zeitfensters und die sechs letzten Übergänge mit Bearbeiter
Abb. 01Executive-Ansicht auf Tableau Public, Stand 06.09.2026 16:12 · Aufnahme 06.09.2026

Arkon Manufacturing AI

7ML-Modelle hinter einer Quality Steering Cell

Eine Industrie-4.0-Qualitätsplattform für einen fiktiven Hersteller der Schwerindustrie, auf einem NAS deployed und in Betrieb: sieben Modelle auf echten öffentlichen Datensätzen veröffentlichen ein Risikoereignis mit zwölf Feldern, eine Quality Steering Cell auf n8n triagiert es und stellt einer namentlich benannten Person eine Telegram-Karte zu, ein Streamlit-Cockpit ist die einzige Oberfläche, die einen Vorfall bewegt, und eine aus demselben Speicher generierte Tableau-Executive-Ansicht ist auf Tableau Public veröffentlicht. Zwei Agenten sitzen darauf und blicken in entgegengesetzte Richtungen: ein Langflow-Assistent, der dem Werk erklärt, ohne zu handeln, und ein Customer Quality Desk auf n8n, das einem Kunden von außen über eine lesende Projektion aus acht Feldern Auskunft gibt.

XGBoostPyTorchn8nLangflowTableau
Executive-Ansicht auf Tableau Public Karte in der Stückliste Code auf GitHub
Pos. 02 · seit Jun 2026
Screenshot des Vault Mission Control Boards, nur das Worker-Raster: 25 Kacheln mit Worker-Name, Zeitplan, letztem Lauf, 30-Tage-Historie und Status; WARN-Zustände so gezeigt, wie sie vorgefunden wurden
Abb. 02Mission Control, das Live-Statusboard · Aufnahme 03.09.2026

KI-Agentensystem (AI-Brain)

19geplante Workflows, je ein Owner

Ein privates Multi-Agenten-System im Dauerbetrieb: drei LLM-Laufzeitumgebungen und ein selbst gehosteter n8n-Server auf einem gemeinsamen Markdown-Regelwerk, zwei Scheduler auf zwei bewusst unabhängigen Rechnern und fünf Prüf-Gates, die einen Lauf scheitern lassen können. Von mir entworfen, spezifiziert und betrieben; der Code entstand weitgehend KI-gestützt.

Claude CodeCodexn8nPythonlaunchd
Fallstudie
Pos. 03 · Detailansicht Demo · startet in ca. 30 s
Screenshot der Streamlit-App FreshMart Demand Planner nach Generate forecast: fünf KPI-Kacheln (Gesamtprognose 6.779, Tagesdurchschnitt 484, Spitzentag 2014-01-05, Spitzenabsatz 768, Bedarfsniveau hoch) über einem Liniendiagramm mit Verkaufshistorie und 14-Tage-Prognose
Abb. 03Streamlit-App, Prognoseansicht · Aufnahme 03.09.2026

FreshMart Demand Planner

138,0Champion-RMSE

Absatzprognose für den Einzelhandel, End-to-End: Vergleich von 10+ Modellen (SARIMAX, Prophet, XGBoost, LSTM), Tuning per HyperOpt, Tracking in MLflow, deployed als Streamlit-Planungstool.

PythonZeitreihenMLflowStreamlit
Fallstudie Demo öffnen Code
Komplette Stückliste: alle 13 Projekte
Prüfbericht · Fremdbewertung Quelle: LinkedIn · öffentlich · Original in Englisch
“Sergey brings a rare blend of strong technical capability, analytical thinking, and excellent communication… He is technically strong, business-minded, and an excellent communicator.”
Tom Themeles Data Science Instructor, Masterschool
Weitere Empfehlungen

Sie suchen Verstärkung für Daten, Automatisierung oder Qualität?

Offen für Festanstellungen in KI-Beratung und KI-Enablement, Automatisierung und Datenanalyse in Deutschland, ab sofort verfügbar. Gern bespreche ich im Vorstellungsgespräch ein konkretes Daten- oder Automatisierungsproblem aus Ihrem Team.

sergey@kasatov.de Auf LinkedIn vernetzen
Zur Einstellung freigegebenab sofort verfügbar · DE