Martin Wimmer-Senior AI Solution Architect

Azure AI Foundry, GitHub Copilot (Agent Mode), Model Context Protocol (MCP), Kubernetes, CloudFoundry, Terraform, GitHub Actions, Langfuse, Python, Grafana

Ziel: Die unternehmensweite Entwicklerunterstützung beschleunigen und die Migration von GitLab/Jenkins zu GitHub durch sichere CI/CD-Standards und automatisierte, agentische Entwicklerunterstützung vorantreiben.

• Einen unternehmensweiten AI-Support-Agenten entworfen und ausgerollt, integriert in GitHub Copilot via MCP, damit Entwickler Legacy-Confluence-Dokumente und Git-Repositories kontextbezogen abfragen können.
• Sichere, wiederverwendbare "Golden Path"-Vorlagen für GitHub Actions entworfen und standardisiert, um das Onboarding zu beschleunigen und Compliance by Design für Delivery-Teams sicherzustellen.
• Robuste Datenpipelines aufgebaut und entwickelt, um ein DevOps-Reifegradmodell zu etablieren und Plattform- sowie Migrations-KPIs über Grafana und Azure Monitor zu überwachen.
• LLM-Observability- und Evaluierungs-Frameworks mit Langfuse und Azure Monitor eingeführt, um Agentenantworten zu optimieren und Token-Kosten zu kontrollieren.

Azure App Service, Azure AI Foundry, Neo4j, Langfuse, Terraform, GitHub Actions, Managed Identities

Ziel: Design und Umsetzung einer sicheren, hochverfügbaren GenAI-Infrastruktur mit starkem Fokus auf Zero-Secret-Authentifizierung

• Eine skalierbare Webanwendungsarchitektur entworfen, inklusive der Migration von einer lokalen K3s-Umgebung auf eine vollständig verwaltete Azure-Plattform.
• Ein striktes Identity- und Access-Management-(IAM)-Modell mit Azure Managed Identities umgesetzt, um passwortlose Authentifizierung zwischen App Service, Key Vault, Storage Accounts und Azure AI Foundry zu ermöglichen.
• Den kompletten Infrastruktur-Lifecycle mit Infrastructure as Code (IaC) über Terraform und GitHub Actions automatisiert, inklusive isoliertem State-Management.

Azure (Databricks, Data Factory, Functions, SQL), Terraform, Azure DevOps (GitOps), SAP Emarsys

Ziel: Design und Bereitstellung eines skalierbaren Cloud- und DevOps-Fundaments, um automatisierte Kundensegmentierung und die Integration in Unternehmens-CRM-Systeme zu ermöglichen.

• Die grundlegende Azure-Datenplattform via Terraform und GitOps entworfen und bereitgestellt und damit eine sichere und standardisierte Entwicklungsumgebung für ein 12-köpfiges Engineering-Team geschaffen.
• Eine unternehmensweite Integrationsschicht entworfen, die Databricks-Analysen mit SAP Emarsys über Azure Data Factory und ereignisgesteuerte Azure Functions für die automatisierte Kampagnensynchronisation verbindet.
• CI/CD-Pipelines und operatives Monitoring in Azure DevOps aufgebaut, um eine robuste Datenbereitstellung und ausfallsichere Infrastruktur-Deployments sicherzustellen.

Enterprise AI Strategy, AI Governance, C-Level Advisory, Use-Case-Priorisierung

Ziel: Übersetzung und Operationalisierung der KI-Strategie des Konzerns in eine maßgeschneiderte, umsetzbare Roadmap für die Rückversicherungstochter.

• Verfasste die offizielle KI-Strategie der Tochtergesellschaft und übertrug die Vorgaben des Mutterkonzerns wirksam in konkrete, wertstiftende KI-Initiativen für den Rückversicherungsbereich.
• Leitete Stakeholder-Workshops und die Abstimmung mit dem C-Level, um ROI-getriebene AI- und GenAI-Use-Cases auf Basis des Geschäftsnutzens zu identifizieren, zu bewerten und zu priorisieren.
• Etablierte ein Framework für AI Governance und Responsible AI und definierte Leitlinien für eine sichere, regelkonforme und risikominimierte Modellnutzung.

End-to-End-Architekturverantwortung für den Übergang des Unternehmens zu KI-gestützten Produkten, mit technischer Steuerung der Roadmap von PoC bis zu produktiven Kubernetes-Deployments.

Projekt 1: GenAI-Chatbot & Suchoptimierung

Azure AI Foundry, LangGraph, Next.js, Hybrid Search

Ziel: Modernisierung des Kundensupports durch ein KI-gestütztes, skalierbares Such- und Chat-Ökosystem.

• Konzipierte einen intelligenten Support-Assistenten auf Basis von Azure AI Foundry und LangGraph für eine zuverlässige, kontextbezogene Beantwortung von Anfragen.
• Entwickelte ein Full-Stack-Next.js-Frontend mit Streaming-Antworten und integrierte es nahtlos in eine neu implementierte relevanzbasierte Hybrid Search (Azure AI Search).

Projekt 2: Legal AI Automation (Produktionssystem)

AKS, Argo Workflows, GitOps, Terraform, Multi-Agent LLMs

Ziel: Automatisierung kostspieliger juristischer Beratungsleistungen über das erste KI-Produkt des Unternehmens.

• Entwarf eine Multi-Agent-Validierungsarchitektur (LangGraph) mit einem Supervisor-LLM, um hohe Genauigkeit sicherzustellen und Halluzinationen in steuer-/abrechnungsrelevanten Kontexten zu minimieren.
• Entwickelte eine vollständig automatisierte, cloud-native Dokumenten-Ingestion-Pipeline mit Argo Workflows, bereitgestellt auf Azure Kubernetes Service (AKS) via Terraform und GitOps.

Projekt 3: Bewertung einer cloud-nativen ETL-Architektur

Azure Data Factory, Synapse, Medallion Architecture

Ziel: Strategische Bewertung von Data-Ingestion-Frameworks für GenAI-Systeme.

• Prototypte eine auf dem Medallion-Ansatz basierende Datenpipeline mit Azure Data Factory und Synapse Notebooks für die Verarbeitung unstrukturierter Dokumente.
• Lieferte eine abschließende Kosten-Nutzen-Analyse, die das Unternehmen strategisch von ADF hin zu einer kosteneffizienteren Kubernetes-/Argo-Architektur für das Endprodukt umsteuerte.

Projekt 4: Predictive-Maintenance-PoC

Deep Learning, LSTMs, Grafana, Time-Series Analysis

Ziel: Proaktive Vorhersage von Server-Anomalien zur Erhöhung der Infrastrukturzuverlässigkeit.

• Entwickelte auf LSTM-/GRU-basierten Deep-Learning-Modellen zur Analyse multivariater Telemetrie-Zeitreihen in Echtzeit und erreichte eine Vorhersagegenauigkeit von 90 %.
• Lieferte die technische Machbarkeitsbasis für Executive-Entscheidungen zum Vergleich von Cloud-Migration und On-Premise-Infrastruktur.

Python, TensorFlow/Keras, XGBoost, LightGBM, 3D-Kalibrierung

Ziel: Verbesserung der Farbtreue von 3D-Scannern durch Machine-Learning-Regressionmodelle.

• Entwickelte und optimierte Gradient-Boosting-Ensembles (XGBoost, LightGBM) zusammen mit neuronalen Netzen, um Farbanomalien in 3D-Scandaten vorherzusagen und zu korrigieren.
• Führte physische Hardware-Kalibrierungen durch, um hochwertige Ground-Truth-Datensätze für das Modelltraining zu erstellen.