Prüfungsfeste KI für regulierte Branchen.
Ich begleite Konzerne, Versicherungen und Finanzdienstleister durch EU AI Act, interne Revision und Vorstands-Sign-off. Promotion in theoretischer Physik und mehrjährige Praxis in quantitativer Modellvalidierung treffen auf produktive KI-Architektur — für Anwendungen, die Compliance, Prüfung und Vorstand passieren.
Jedes Projekt beginnt mit einer Idee.
In regulierten Branchen — Konzerne, Versicherungen, Finanzdienstleister — entscheidet nicht nur, ob KI funktioniert, sondern ob sie EU AI Act, interne Revision und Vorstands-Sign-off passiert. Genau hier setze ich an.
Statt teurer Berater-Entouragen setze ich moderne Werkzeuge gezielt ein — für Kunden, die ein erfahrener Spezialist mit quantitativer Tiefe begleiten soll, nicht ein ganzes Team.
KI-Governance & EU AI Act
- KI-Governance-Framework aufbauen Konzeption und Aufbau prüfungsfester KI-Governance-Strukturen für regulierte Branchen — abgestimmt auf interne Revision, Compliance und Vorstand.
- EU-AI-Act-Assessment durchführen Risikoklassifikation von KI-Anwendungen nach EU AI Act, Lückenanalyse zu Art. 9 (Risikomanagement-System) und Art. 15 (Robustheit und Genauigkeit) — mit konkretem Maßnahmenplan.
- KI-Risikomanagement-System aufbauen Aufbau eines KI-Risikomanagement-Systems nach EU AI Act Art. 9 — Risiken identifizieren, bewerten und über den Lebenszyklus steuern. Brücke zu MaRisk und BCBS 239 für Banken-Mandate.
- Stakeholder-Steuerung übernehmen Vermittlung zwischen Compliance, Fachbereich, IT und Vorstand — KI-Themen so übersetzen, dass alle Beteiligten gemeinsam tragfähige Entscheidungen treffen.
Quantitative KI-Validierung
- Modellvalidierungs-Methodik entwickeln Mathematisch fundierte Validierung von KI-Modellen — Backtest-Architekturen, Sensitivitäts- und Stabilitätsanalysen, Bias-Audits.
- Robustheit und Genauigkeit prüfen Validierungs-Frameworks für Genauigkeit, Robustheit und Cybersicherheit von KI-Systemen gemäß EU AI Act Art. 15 — einschließlich Adversarial-Robustheit, Drift-Erkennung und Performance-Monitoring.
- Stresstest-Methodik übertragen Die Stresstest-Methodik aus dem Banken-Säule-2-Kontext auf KI-Modelle angewendet: Datendrift, Adversarial Inputs, Edge Cases und systemische Ausfallszenarien.
- Quantitative Tiefe einbringen Mathematisch-statistische Grundlage für Modell- und KI-Bewertung: Bayessche Inferenz, Hypothesentests, stochastische Modellierung, Monte-Carlo-Simulationen.
Produktive KI-Architektur
- KI-Anwendungen konzipieren und bewerten Identifikation geeigneter Anwendungsfälle für GenAI, LLMs und Multi-Agenten-Systeme — mit Nutzenargumentation, Machbarkeitsbewertung und Compliance-Prüfung vor der Umsetzung.
- GenAI- und Multi-Agenten-Lösungen entwickeln Umsetzung produktiver KI-Anwendungen mit Microsoft Copilot Studio, Azure OpenAI, Agenten-Setups und MCP-Anbindungen — auditierbar und revisionsfest.
- Ausschreibungen begleiten Begleitung bei Ausschreibungen für KI-Lösungen — von der Anforderungserhebung über Anbieterbewertung und Vertragsverhandlung bis zur Umsetzungsbegleitung im Konzernumfeld.
- Test- und Validierungskonzepte erstellen Planung und Durchführung von Tests und KI-Validierungen entlang des EU-AI-Act-Lebenszyklus — Schulung der Anwender und Qualitätssicherung über das Projekt hinweg.
Erst rechnen, dann reden.
Die Einstufung nach EU AI Act ist die Frage, mit der fast jedes Gespräch beginnt. Sie lässt sich beantworten, ohne dass wir vorher miteinander telefonieren.
„Tarlan hat uns im Bereich AI Risk Management maßgeblich unterstützt. Seine ausgeprägten analytischen Fähigkeiten und sein lösungsorientierter Ansatz machten ihn zu einer echten Bereicherung für unser Team. Besonders hervorzuheben ist sein tiefes technisches Verständnis, kombiniert mit der Fähigkeit, auf Augenhöhe mit unterschiedlichsten Stakeholdern zu kommunizieren."
Stefanie Feld — Head of Global AI Governance, Henkel
Lassen Sie uns besprechen, wie sich Ihr Vorhaben umsetzen lässt.
Dr. Tarlan Vezirov begleitet datengetriebene Projekte von der Idee bis zur Umsetzung.