lars.ai
AI Developer · Universitätsklinikum Düsseldorf
Lars Müller
Ich baue KI‑Agenten, die echte Arbeit erledigen. Am Universitätsklinikum Düsseldorf entwickle ich Monti — ein System, das Intensivpatienten über Wearables überwacht und Komplikationen früh erkennt.
→ gerade im Bau: ein eigenes Agentic‑AI‑Produkt (Stealth)
Düsseldorf, DE
01
Forschung
Monti — Frühwarnung für Herzpatienten
Kontinuierliche Analyse von Vitaldaten zur Früherkennung von Komplikationen. Die Anomalie-Erkennung basiert auf self-supervised contrastive learning — aktuell in retrospektiven Studien an den Universitätskliniken Düsseldorf und Aachen.
01
Wearables
erfassen Vitaldaten am Patienten — kontinuierlich, nicht punktuell
02
Zeitreihen
werden in Echtzeit zusammengeführt und aufbereitet
03
Anomalie-Erkennung
self-supervised Modelle lernen das normale Muster jedes Patienten
04
Frühwarnung
Abweichungen erreichen das klinische Team, bevor sie kritisch werden
Publikation
European Heart Journal — Digital Health ↗
02
Consulting
Agenten statt Chatbots
Ich baue keine RAG‑Demos. Ich baue Agenten, die Fragen beantworten, bevor sie gestellt werden — und Prozesse selbstständig zu Ende bringen.
Mein Fokus liegt aktuell auf eigenen Projekten — für das richtige Problem bin ich trotzdem ansprechbar: Termin buchen ↗
Agentic AI & Automatisierung
KI‑Agenten, die mehrstufige Geschäftsprozesse eigenständig und nachvollziehbar abwickeln — vom ersten Schritt bis zum Ergebnis.
KI‑gestützte Compliance
Agenten, die komplexe Dokumente lesen und prüfen — und die Fragen der Prüfer beantworten, bevor sie gestellt werden.
KI im Gesundheitswesen
Von der Datenerfassung bis zum Modell — Systeme, die klinischen Alltag und Regulatorik überstehen.
Echtzeit‑Datenverarbeitung
Pipelines für kontinuierliche Datenströme — robust unter realen Bedingungen.
03
Projekte
2025
BSI IT‑Grundschutz KI‑Suche
Präzise Antworten auf Compliance-Fragen, mit exakter Quellenangabe — über 1.000 Seiten durchsuchbar.
2023
Bachelorarbeit: Active Pre-Training mit Phasic Policy Gradient
Unsupervised Pre-Training für On-Policy Reinforcement Learning — 62,5 Mio. Pre-Training-Schritte.
GitHub ↗
PDF ↗
2021
TurtleBot: Autonome Navigation
Deep Reinforcement Learning auf realer Hardware — Sim-to-Real-Transfer mit ROS.
GitHub ↗
04
Kontakt