Informatikstudent · Tübingen
Armin Burkhardt
Ich arbeite an der Schnittstelle von Quantitative Finance, maschinellem Lernen und branchenübergreifenden ML Anwendungen.
Scrollen
Über mich
Ich studiere Informatik in Tübingen. Am meisten interessiert mich, was passiert, wenn moderne Machine Learning Modelle in Bereiche kommen, in denen es komplex wird und Fehler teuer sind - Finanzen, Recht, Medizin, etc. Parallel baue ich die Tübingen Quant Society auf, eine studentische Initiative, die genau die Lücke zwischen Theorie und Praxis schließen soll.
- Studium
- B.Sc. Informatik, Universität Tübingen, 2024 - 2027
- Rolle
- Studentische Hilfskraft, Interfakultäres Institut für Biomedizinische Informatik (IBMI) Tübingen
- Fokus
- Quant Finance · Machine Learning · Interdisziplinäres ML
- Initiative
- Tübingen Quant Society, Mitgründer
Projekte
Mitgegründet in Tübingen, um Studierenden praktischen Zugang zu quantitativer Finanzwirtschaft zu geben und Events zu organisieren. Für die Initiative habe ich die zweisprachige Website mitentwickelt: Next.js App Router, statisch ausgeliefert, mit einem SAML-2.0-Service-Provider für das Login über die Universität.
- Next.js
- TypeScript
- SAML 2.0
- Vercel
Gebaut beim HackTheLaw Hackathon an der University of Cambridge für Legoras Challenge "The Sparring Room". Statt Antworten zu liefern, greift das System die Argumentation der Nutzer:innen an und zwingt sie, ihre Position zu verteidigen - juristisches Sparring statt Recherche-Assistent. Python-Backend mit FastAPI, Frontend mit React und Vite.
- Python
- FastAPI
- React
- Vite
- LLMs
Ein experimentelles LMM mit dense Gemma4-style Backbone. Danach wird ein einziger MoE-Block wird mehrfach durchlaufen (LoopLM-style) und routet die Tokens bei jedem Durchgang neu. Heterogene Experten - Self-Attention, Cross-Attention, Retrieval und MLP - teilen sich einen Router. Multi-Token-Prediction als Zusatzziel, Training u.a. in FP8 und NVFP4.
- PyTorch
- Transformer Engine
- CUDA
- MoE
- MTP
Aktuell im Training - das Repository wird veröffentlicht, sobald das Training durch ist.
Alles, was sonst einen Blick auf den Bildschirm braucht - Wetter, Navigation, Kalender, Nachrichten, Wecker, Geräteeinstellungen, die Kamera als Beschreibung der Umgebung - läuft über ein Voice to Voice Interface. Ein (wahlweise lokales) LLM entscheidet, welches der On-Device-Tools es aufruft und handelt stellvertretend; die Antworten sind auf deutsche Sprachausgabe und die Zielgruppe zugeschnitten.
- Android
- Kotlin
- LLM Tool-Use
- TTS
- ASR
- RAG
Universitäres Teamprojekt - das Repository ist derzeit nicht öffentlich.