Daniel F.-Senior-Backend-Ingenieur

Eine SaaS-Plattform, die von Investmentbanken und Private-Equity-Unternehmen genutzt wird, um M&A-Transaktionen von der Due Diligence bis zum Abschluss durchzuführen. Die Arbeit umfasste die Backend-Services für die Unternehmensdatensätze hinter diesen Transaktionen: Entity Resolution mit einer großen Unternehmensdatenbank, Record Linkage aus Einreichungen, Modellevaluierung sowie Validierungs- und Audit-Tools, die automatisierte Entscheidungen korrekt und prüfbar halten.

• Verantwortete die Backend-Services hinter der Entity Resolution im Transaktions-Workflow, bei dem ein falscher Treffer Banker mitten in einer Transaktion erreicht. Führte Match-Empfehlungen mit vollständigen Audit-Trails in produktive Schreibpfade über.
• Prüfte die erste Spezifikation des Product Owners, dokumentierte Widersprüche, hielt Entscheidungen schriftlich fest und entwickelte und veröffentlichte anschließend die Services.
• Beschriftete einen Beispieldatensatz vor einer großen Migration. Stellte fest, dass nur 60% nutzbar waren und 10% umgekehrte Labels enthielten. Behob die Datenprobleme vor dem Service-Design.
• Fügte für Fälle, die die Rules Engine nicht auflösen konnte, einen LLM-Judge (Claude / Gemini) hinzu. Erreichte eine Präzision von 92.5%, fand als Ursache für die verbleibenden Fehler gemeinsame übergeordnete Domains und blockierte die automatische Freigabe, bis dieses Muster behoben war.
• Behob die fehlerhafte Datenverarbeitung und fügte Prüfungen hinzu, damit dieselben Fehler nicht erneut auftreten können. Jede Korrektur wird in derselben Transaktion gespeichert, mit Validierung auf API-Ebene und erneut beim Speichern.
• Unterstützte Engineers dabei zu prüfen, dass der Code den Produkt- und Modellierungsregeln entspricht und nicht nur korrekt ausgeführt wird.

Technologien: Python, FastAPI, C#, .NET, TypeScript, Dagster, PostgreSQL, Google Cloud (Cloud Run, Cloud SQL, Cloud Storage), Anthropic Claude API, Google Gemini API

Ein Enterprise-KI-SaaS-Unternehmen mit kundenorientierten Produkten für Reise, Automobilindustrie und Analytics. Die Arbeit umfasste Ingestion-Services mit hohem Volumen und Service-Infrastruktur, kostenbewusste Rechenleistung sowie die CI/CD- und Evaluierungsstandards des Teams.

• Betreute die Batch-Scoring- und Feature-Services hinter kundenorientierten Dashboards, deren Zahlen Account Manager gegenüber Kunden nannten. Entwickelte Worker für Normalisierung, Währungsumrechnung und Deduplizierung, die über Airflow geplant wurden.
• Behandelte Rechenkosten als Margenfrage und nicht nur als Latenzthema. Batch-Verarbeitung, Profiling und Dimensionierung der Worker. Laufzeiten um über 50% reduziert.
• Setzte den CI/CD- und Teststandard für das Team, sodass Änderungen nicht mehr ungeprüft Kunden erreichten. Pytest, kurzlebige Testumgebungen, Git-basierte Bereitstellung.

Technologien: Python, aiothp, Apache Kafka, Apache Airflow, Elasticsearch, AWS S3, Docker, GitHub Actions

Eine Enterprise-Plattform für konversationelle KI zur Automatisierung des Kundenservice über Chat und Sprache.

• Entwickelte die Services hinter den Konversationsanalyse-Clients, mit denen bewertet wurde, ob die Plattform ihre vertraglichen Ziele erfüllte: Ingestion-Endpunkte, Transformations-Worker und Reporting-API.
• Hielt diese Endpunkte auch bei wachsendem Kundendatenvolumen reaktionsfähig. Query- und Index-Optimierung, Connection Pooling und Schema-Design auf PostgreSQL und MySQL.
• Verhinderte, dass fehlerhafte Daten die Reporting-Schicht erreichten, bereits an der Service-Grenze. Request-Validierung, Schema-Prüfungen und idempotente Schreibvorgänge bei jedem Lauf.

Technologien: Python, FastAPI, PostgreSQL, MySQL, Docker, GitLab CI