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: Beschleunigung des unternehmensweiten Developer Enablements und der Migration von GitLab/Jenkins zu GitHub durch sichere CI/CD-Standards und automatisierte, agentische Entwicklerunterstützung.

• Eine KI-Support-Agent-Lösung auf Enterprise-Niveau entworfen und bereitgestellt, integriert in GitHub Copilot via MCP, damit Entwickler kontextbezogen in alten Confluence-Dokumenten und Git-Repositories suchen können.
• Sichere, wiederverwendbare GitHub Actions-"Golden Path"-Templates entworfen und standardisiert, um das Onboarding zu beschleunigen und Compliance by Design für Delivery-Teams sicherzustellen.
• Robuste Data Pipelines aufgebaut und entwickelt, um ein DevOps Maturity Model zu etablieren und Plattformnutzung sowie Migrations-KPIs über Grafana und Azure Monitor zu überwachen.
• LLM-Observability- und Evaluierungsframeworks mit Langfuse und Azure Monitor etabliert, um Agent-Antworten zu optimieren und Token-Kosten zu kontrollieren.

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

Ziel: Entwurf und Umsetzung einer sicheren, hochverfügbaren GenAI-Infrastruktur mit starkem Fokus auf Authentifizierung ohne Secrets

• Eine skalierbare Web-App-Architektur entworfen, einschließlich der Migration von einer lokalen K3s-Umgebung zu einer vollständig verwalteten Azure-Plattform.
• Ein strenges Identity- and 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-Lebenszyklus 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: Entwurf und Bereitstellung eines skalierbaren Cloud- und DevOps-Fundaments, um automatisierte Kundensegmentierung und die Integration in Enterprise-CRM-Systeme zu ermöglichen.

• Die grundlegende Azure Data Platform über Terraform und GitOps entworfen und bereitgestellt und damit eine sichere und standardisierte Entwicklungsumgebung für ein 12-köpfiges Engineering-Team geschaffen.
• Eine Enterprise-Integrationsschicht entworfen, die Databricks-Analytics über Azure Data Factory und ereignisgesteuerte Azure Functions mit SAP Emarsys verbindet, für eine automatisierte Kampagnensynchronisierung.
• CI/CD-Pipelines und operatives Monitoring in Azure DevOps etabliert, um eine robuste Datenbereitstellung und fehlertolerante 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 damit die Vorgaben des Mutterkonzerns in konkrete, hochwertige KI-Initiativen für die Rückversicherungsbranche.
• Leitete Stakeholder-Workshops und das Alignment mit dem C-Level, um ROI-orientierte AI- und GenAI-Use Cases auf Basis des Geschäftsnutzens zu identifizieren, zu bewerten und zu priorisieren.
• Etablierte ein AI-Governance- und Responsible-AI-Framework mit Richtlinien für eine sichere, compliant und risikominimierte Modellenutzung.

End-to-End-architektonische Verantwortung für die Umstellung des Unternehmens auf KI-gestützte Produkte, mit technischer Leitung der Roadmap von PoC bis zu produktionsreifen Kubernetes-Deployments.

Projekt 1: GenAI-Chatbot & Suchoptimierung

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

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

• Architekt eines 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-Responses, nahtlos integriert in eine neu implementierte, relevanzbasierte Hybrid-Suche (Azure AI Search).

Projekt 2: Legal AI Automation (Produktionssystem)

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

Ziel: Automatisierung hochpreisiger Rechtsberatungsleistungen über das erste produktive KI-Produkt des Unternehmens.

• Entwarf eine Multi-Agent-Validierungsarchitektur (LangGraph) mit einem Supervisor-LLM, um hohe Genauigkeit sicherzustellen und Halluzinationen in Steuer-/Payroll-Kontexten zu reduzieren.
• Baute 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.

• Entwickelte einen Prototyp einer Medallion-basierten 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 finale Produkt umsteuerte.

Projekt 4: Predictive Maintenance PoC

Deep Learning, LSTMs, Grafana, Time-Series Analysis

Ziel: Proaktive Vorhersage von Server-Anomalien zur Verbesserung der Zuverlässigkeit der Infrastruktur.

• Entwickelte LSTM/GRU-basierte Deep-Learning-Modelle zur Analyse multivariater Time-Series-Telemetriedaten in Echtzeit und erreichte 90 % Vorhersagegenauigkeit.
• Ließ die technische Machbarkeitsbasis in die Entscheidungsfindung des Managements zur Cloud-Migration vs. On-Premise-Infrastruktur einfließen.

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

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

• Gradient-Boosting-Ensembles (XGBoost, LightGBM) zusammen mit neuronalen Netzen entwickelt und fein abgestimmt, um Farbanomalien in 3D-Scandaten vorherzusagen und zu korrigieren.
• Physische Hardware-Kalibrierung durchgeführt, um hochwertige Ground-Truth-Datensätze für das Modeltraining aufzubauen.