Maximilian B.-Freiberuflicher KI-System- und Plattformarchitekt
Tagessatz prüfen
Erfahrungen
Mitentwickler
Nikan AI Solutions GmbH
Multi-Agenten-Plattform zur Dokumentenerstellung
Problem:
Aus einem einzelnen Prompt ein gut recherchiertes, strukturiertes und mit Quellen belegtes Dokument erstellen und dabei die Kontrolle beim Nutzer belassen: Jeder Schritt kann geprüft, korrigiert oder erneut aufgerufen werden, bevor das System fortfährt.
Architektur:
Ein Multi-Agenten-System, das von einer zentralen Steuerung koordiniert wird. Mehr als 20 spezialisierte pydantic-ai-Subagenten (Verstehen, Strukturieren, Planen, Recherchieren, Schreiben, Zusammenstellen, Querverweise prüfen, Glossar, Zitate, Referenztabelle und mehr) geben Ergebnisse anhand eines gemeinsamen, in Postgres gespeicherten Plans (asyncpg) weiter. Eine Runner-Schicht weist jede Aufgabe anhand ihres Namens einem Agenten zu. Mechanische Schritte wie Formatierung, Inhaltsverzeichnis und Abbildungsverzeichnis werden durch deterministischen Code statt durch LLM-Aufrufe erledigt. Der Anbieter (Anthropic oder OpenAI) wird über eine Konfiguration festgelegt, und Antworten werden über Server-Sent Events gestreamt.
Hosting & Infrastruktur:
Ein zustandsloser Container läuft als Scaleway Serverless Container in einem privaten Netzwerk mit verwaltetem PostgreSQL, Objektspeicher für fertige Dokumente und Assets sowie zentraler Protokollübertragung (Loki / Scaleway Cockpit). Bereitstellung mit OpenTofu-Modulen und Deployment über GitLab CI; die Nutzung wird pro API-Schlüssel abgerechnet.
Mein Beitrag und wichtige Entscheidungen:
- Zentrale Entscheidungssteuerung: Ein Zufriedenheitsklassifikator wandelt die Freitext-Rückmeldung des Nutzers in eine Entscheidung um (weiterarbeiten, fortfahren, abbrechen oder eine frühere Aufgabe überarbeiten). Eine Middleware wendet sie auf den Plan an. Der Plan kann zu früheren Aufgaben zurückspringen und die darauffolgenden Schritte erneut ausführen.
- Parallele Recherche und Texterstellung: Die Planung erstellt einen Plan, aus dem ein Recherche-Design-Agent einzelne Rechercheaufgaben und ein Schreib-Design-Agent einzelne Schreibaufgaben erstellt, die jeweils mit der benötigten Recherche verknüpft sind. Jede Aufgabe wird in einem eigenen Agenten mit eigenem Gesprächsverlauf ausgeführt.
- Selbstprüfung und Einbindung des Menschen: Nach jedem Schritt prüft ein Agent für kritisches Denken das Ergebnis. Bevor der Plan fortgesetzt wird, kann der Nutzer eine Kritik annehmen, überarbeiten oder Fragen dazu stellen.
- MCP-Integrationen: Zwei entfernte MCP-Server für die Websuche und die interne Dokumentensuche sind über pydantic-ai angebunden, mit Wiederholungsversuchen und Timeouts für lang laufende Tool-Aufrufe. Klassifikator-Agenten entscheiden für jede Aufgabe, ob eine Websuche nötig ist. Ein kleines Modell fasst rohe Suchergebnisse zu strukturierten Erkenntnissen zusammen, bevor sie die Schreibagenten erreichen.
Nutzungsabrechnung:
Kunden authentifizieren sich mit einem API-Schlüssel, der über einen Schlüsselverwaltungsdienst geprüft wird. Der Verbrauch wird in Credits abgerechnet, berechnet anhand der Token-Nutzung pro Modell zuzüglich eines Aufschlags. Bei ausgeschöpftem Kontingent wird HTTP 429 zurückgegeben.
CTO
nikan.ai
Startup für souveräne KI: technisches Team (7 Ingenieure) und mehrere KI-Produkte von Grund auf aufgebaut.
Mandantenfähige GraphRAG-Wissensplattform
Pilot / interne Nutzung.
Problem:
Projektunterlagen in beliebigen Formaten in einen abfragbaren Wissensgraphen umwandeln, der natürlichsprachige Fragen mit fundierten, zeitbezogenen Antworten beantwortet und zugleich als Langzeitgedächtnis für Coding-Agenten dient – bei strikter Trennung der Mandanten.
Architektur:
Bei der Aufnahme werden Dokumente aufgeteilt (gehostete Unstructured-API), nach Abschnitten segmentiert und Entitäten sowie Beziehungen mit einem offenen Schema extrahiert (beliebige Typen und Attribute in einer GIN-indizierten JSONB-Spalte). Anschließend werden Duplikate entfernt, Fakten datiert, Embeddings in pgvector erstellt, Entitäten aus verschiedenen Dokumenten in einer kanonischen Ebene vereinheitlicht und eine Leiden-Community-Erkennung mit LLM-Zusammenfassungen nur für geänderte Communities ausgeführt. Abfragen laufen über einen LangChain/LangGraph-Agenten mit hybrider Suche (pgvector plus Volltextsuche, kombiniert über Ranking-Fusion), Graphdurchlauf, Community-Zusammenfassungen, Quellenabfragen und schreibgeschütztem SQL sowie Query Expansion und einem Deep-Search-Modus, der Fragen zerlegt und die eigene Abdeckung kritisch prüft. Über einen zustandslosen MCP-Server mit 19 Tools und API-Schlüsseln pro Projekt ist der Graph auch für Coding-Agenten verfügbar.
Hosting & Infrastruktur:
Zustandsloser Container (mehrstufiger Docker-Build mit uv, ohne Root-Rechte), als Scaleway Serverless Container mit 1 vCPU und 1 GB bereitgestellt – über OpenTofu und GitLab-CI-Vorlagen. Verwaltetes Postgres mit pgvector und Authentifizierung auf Supabase. Jedes Feature-Flag ist eine Infrastrukturvariable, sodass eine Funktion durch eine Konfigurationsänderung und ohne Neubau ein- oder ausgeschaltet werden kann. Ein separater Node.js-Dienst übernimmt die gemeinsame Bearbeitung in Echtzeit und kann unabhängig von der API skaliert werden und ausfallen. Die Pipeline prüft mit Ruff, ty, pytest gegen einen pgvector-Dienst, Trivy und Gitleaks.
Wichtige Entscheidungen:
- Graph in einfachem Postgres statt in einer Graphdatenbank: Der Graph besteht aus Tabellen, der Durchlauf erfolgt über rekursives SQL. So gibt es einen einzigen operativen Datenspeicher mit transaktionalen Schreibvorgängen und Sicherheit auf Datenbankebene, statt ein zweites System betreiben zu müssen.
- Mandantentrennung auf Datenbankebene: Sicherheit auf Zeilenebene mit einer eigenen Rolle, die keine Beschränkungen umgehen kann und bei nicht gesetztem Mandanten standardmäßig den Zugriff verweigert – auch für eigenes SQL des Agenten. Manipulationen an Sitzungseinstellungen werden im SQL-Validator blockiert, und Zugriffe auf andere Mandanten liefern 404 zurück, damit die Existenz eines Projekts nicht offengelegt wird.
- Bitemporale Fakten: Fakten enthalten sowohl den Zeitpunkt in der realen Welt als auch den Erfassungszeitpunkt. Bei einer erneuten Indizierung wird ein Dokument ersetzt, statt gelöscht zu werden. So bleibt die Frage „Was wussten wir vor der erneuten Indizierung?“ beantwortbar. Bei Fragen wie „Seit wann?“ gibt der Agent keine Antwort, wenn kein Startdatum erfasst wurde.
- Belege werden berechnet, nicht generiert: Quellenangaben werden durch Abgleich mit den tatsächlichen Quelltextabschnitten unter derselben Sicherheit auf Zeilenebene abgesichert. So kann eine Referenz niemals ein Dokument preisgeben, das der Aufrufer nicht lesen darf. Ein optionaler Herkunftsprüfschritt verlangt für jede Tatsache ein wortgetreues Zitat, dessen Grenzen überprüft wurden.
- Eigene Schlüssel und Datenbank des Kunden: Modell- und API-Schlüssel pro Projekt und Rolle (Agent, Extraktion, Embedding), im Ruhezustand mit Fernet verschlüsselt. Optional wird der Graph in einem Postgres gespeichert, das dem Kunden gehört.
Qualität und Ergebnis:
Etwa 68,000 Zeilen Python in 218 Dateien mit 116 Testdateien und drei Evaluierungs-Frameworks: eine bitemporale Evaluierung mit 150 Fragen auf einem Korpus aus 43 Dokumenten (150/150 streng), eine Bearbeitungsevaluierung mit identischen Ergebnissen über REST- und MCP-Kanäle (25/25) sowie eine Golden-Set-Evaluierung mit 0.95 im schnellen Modus und 0.99 im Agentenmodus für die mit der Ausgangsbasis vergleichbaren Kategorien.
Aufbau einer Entwicklungsorganisation von Grund auf
Neben den einzelnen Produkten gehörte auch der Aufbau der Entwicklungsorganisation selbst zu meinen Aufgaben. Als ich anfing, gab es weder Codebasis noch Infrastruktur, Prozesse oder Team.
Entscheidungen von Grund auf:
Ich wählte das Hosting-Modell (EU-gehostete serverlose Container auf Scaleway), die Sprache und Frameworks, die Coding-Standards, die Versionsverwaltung und den CI/CD-Ansatz und verantwortete die Architekturentscheidungen für jedes Produkt.
Eine Softwarefabrik:
Gemeinsame GitLab-Pipeline-Komponenten für Sicherheitsscans (Trivy, Gitleaks), Qualitätsprüfungen (Ruff, ty), Tests, Docker-Builds und OpenTofu-Deployments, sodass jeder neue Dienst mit wenigen Zeilen dieselbe Pipeline erhält. Eine Bibliothek wiederverwendbarer Infrastrukturmodule (privates Netzwerk, verwaltetes Postgres und Redis, serverlose Container, Objektspeicher, Logging), eine private Paketregistrierung mit internen Bibliotheken für Logging, Tracing, API-Schlüssel-Authentifizierung und Objektspeicher, eine FastAPI-Dienstvorlage, Pre-Commit-Hooks und Renovate, das die Abhängigkeiten in rund 80 Repositories aktuell hält.
Standardmäßig sicher:
Image-Scans blockieren die Pipeline bei behebbaren schwerwiegenden und kritischen Befunden. Jede genehmigte Ausnahme bei Sicherheitslücken muss schriftlich begründet werden. Fremdcode enthält Herkunftshinweise und eine Notices-Datei.
Für Agenten geeignete Repositories:
Die Repositories enthalten schriftliche Konventionen für KI-Coding-Agenten (Befehle zum Erstellen und Debuggen, Architekturkonzepte und erforderliche Prüfungen), damit die Arbeit mit Agenten denselben Standards folgt wie alles andere.
Dokumentation:
Architektur-READMEs, Runbooks, Evaluierungsberichte und Ablaufdiagramme werden zusammen mit dem Code abgelegt.
Menschen und Projekte:
Ich leitete ein Team aus sieben Ingenieuren: Ich gab die technische Richtung und Prioritäten vor, verantwortete die Umsetzung der oben genannten Produkte und traf Entscheidungen, die nicht warten konnten.
Architekt und technischer Leiter
Nikan AI Solutions GmbH
Google Workspace MCP-Server
Problem:
KI-Agenten authentifizierten Zugriff auf Google Drive, Gmail, Calendar und Contacts eines Nutzers geben, ohne für jede API ein eigenes Tool zu schreiben, und sicherstellen, dass ein Agent Daten niemals ändern oder löschen kann, ohne dass der Nutzer die Aktion versteht und genehmigt.
Architektur:
Ein FastMCP-Server mit drei Tool-Namensräumen: ein generisches Gateway (Lesen und Schreiben über jeden validierten googleapis.com-Endpunkt), ein Meta-Namensraum (erteilte Scopes, Nutzerprofil) und ein Pfad-Namensraum (Drive-Pfadindex und Migrationszuordnungen). Jeder Nutzer meldet sich mit Google OAuth 2.0 an; Sitzungen werden als signierte JWTs übertragen. Google-Tokens werden im Ruhezustand mit Fernet in Redis verschlüsselt. Strukturierte Daten liegen in Postgres und werden über async SQLAlchemy mit Alembic-Migrationen verwaltet.
Hosting & Infrastruktur:
Scaleway Serverless Container in einem privaten Netzwerk mit verwaltetem Redis und PostgreSQL, pro Umgebung (dev, test, prod) mit OpenTofu-Modulen bereitgestellt und über eine GitLab-Pipeline mit Prüfungen durch Trivy, Ruff und ty ausgerollt. Logs und OpenTelemetry-Traces werden an Scaleway Cockpit übertragen.
Wichtige Entscheidungen:
- Generisches Gateway statt eines Tools pro Endpunkt: Zwei Gateway-Tools decken Drive, Gmail, Calendar und Contacts ab, sodass die Anzahl der Tools klein bleibt. Eingabemodelle prüfen, dass jede Anfrage an googleapis.com gerichtet ist.
- Schreibvorgänge nur nach Bestätigung: Ein kleines LLM beschreibt jede Erstellung, Aktualisierung oder Löschung zunächst in einem klaren Satz (zum Beispiel, was dauerhaft entfernt wird). Über MCP elicitation kann der Nutzer zustimmen, ablehnen oder Änderungen anfordern. Die Anfrage wird erst nach einer ausdrücklichen Zustimmung an Google ausgeführt.
- Sicherer Ersatz für Clients ohne elicitation: Bei einem zweistufigen Ablauf werden der Bestätigungstext und eine Ereignis-ID zurückgegeben, während die Anfrage pro Nutzer in Redis gespeichert wird. Beim zweiten Aufruf muss eine identische Anfrage wiederholt werden, die vor der Ausführung mit der gespeicherten Nutzlast abgeglichen wird. So kann eine genehmigte Aktion nicht gegen eine andere ausgetauscht werden.
- Drive-Pfadindex und Migrationszuordnungen: Postgres-Tabellen für Drives, Pfade (mit Soft-Delete) und Zuordnungen alter zu neuen Speicherorten helfen einem Agenten dabei, herauszufinden, wo eine Datei liegt oder wohin sie nach einer unternehmensweiten Drive-Umstrukturierung verschoben wurde. Zwei Notebooks füllen die Tabellen: Eines listet alle Shared Drives über die Drive API auf (und erstellt vollständige Pfade durch das Verfolgen der übergeordneten Ordner) und verarbeitet die Zuordnungstabelle. Das andere prüft Referenzen und führt idempotente Upserts in Stapeln aus.
Mitgründer / Technischer Leiter
Innomarks GmbH
KI-Plattform zur Dokumentenextraktion
KI-Plattform zur Dokumentenextraktion, seit mehr als 18 Monaten im Produktiveinsatz.
Umfang:
Kernteam aus zwei Ingenieuren sowie eine externe Frontend-Agentur; mein Schwerpunkt: Extraktionspipeline, Prompt- und Schema-Design sowie kundenspezifische Konfiguration.
Problem:
Unstrukturierte Bestelldokumente (E-Mails, PDFs, Office-Dateien, Scans) in kundendefinierte strukturierte Daten umwandeln und an das TMS des Kunden liefern. Innoflow, eine maßgeschneiderte B2B-Pipeline, läuft seit mehr als 18 Monaten bei einem mittelgroßen Spediteur im Produktiveinsatz. Uncovio macht daraus ein mandantenfähiges Self-Service-Produkt.
Architektur:
Postfachabfrage (IMAP) → Umwandlung aller Eingaben, einschließlich verschachtelter .eml/.zip-Dateien, in PDF → multimodale LLM-Extraktion anhand der Zielstruktur, aufgeteilt in Teile → deterministische Nachbearbeitung → Bereitstellung von JSON-zu-XML über SFTP. Uncovio ergänzt ein mit Auth0 gesichertes Gateway, warteschlangenbasierte Aufnahme, dynamische Schemas pro Mandant, die in einem Onboarding-Assistenten erstellt werden, sowie eine zur Laufzeit konfigurierbare Anbieterschicht (Google, OpenAI, Anthropic).
Hosting & Infrastruktur:
Mandantenfähige SaaS auf Azure Kubernetes Service mit warteschlangenbasierter Aufnahme über Azure Service Bus, Auth0 für Authentifizierung und Autorisierung. Die gesamte Azure-Umgebung ist als Code in Bicep definiert.
Wichtige Entscheidungen:
- PDF-basierte Aufnahme statt OCR/Markdown: Eingaben werden in PDF umgewandelt und als native multimodale Eingabe übergeben. Ein früherer Markdown-Pfad (einschließlich Docling) wurde verworfen, weil Tabellen und Layouts nicht originalgetreu genug erhalten blieben.
- JSON per Prompt statt vom Anbieter erzwungener strukturierter Ausgabe: Strikte, schema-beschränkte Generierung verschlechterte die Qualität bei komplexen verschachtelten Schemas. Mit JSON per Prompt bleibt das System außerdem über verschiedene Anbieter hinweg portabel.
- Aufteilung des Schemas als wichtigster Hebel für Genauigkeit: Große Zielstrukturen werden in kleinere Extraktionen aufgeteilt (feste Aufteilung in drei Teile bei Innoflow, dynamische parallele Teile bei Uncovio). Das erwies sich als Frage des Orchestrierungsdesigns, nicht als Eigenschaft des Modells.
- Erklärbarkeit: Bounding-Boxen pro Feld werden erstellt, indem extrahierte Werte über Embedding-Ähnlichkeit und einen Reranker mit erkannten Textabschnitten abgeglichen werden. LLM-as-judge zur Bewertung der Korrektheit wurde ausprobiert, aber zugunsten deterministischer Validierungsregeln und eines sorgfältig zusammengestellten Korpus mit korrekten Referenzdaten als unzuverlässig verworfen.
Ergebnis:
13 Repositories, ~50,000 Zeilen. Produktionsvolumen ~6,000 → ~10,000 Bestellungen/Monat; Extraktionsgenauigkeit ~80% → 99%+. Latenz der vollständigen Pipeline (2026): P50 ≈ 1.5 min, P95 ≈ 3.0 min. Ein Test-Framework für Abweichungen (N=5 Durchläufe, 49 Felder) ergab eine Übereinstimmung zwischen den Durchläufen von 94.7%. Gemeinsam verfasste ich eine offene technische Due-Diligence-Antwort für einen strategischen Käufer, einschließlich bekannter Lücken und eines Maßnahmenplans.
Leitender Data Scientist
HORSCH Maschinen GmbH
Unternehmensweite Leitung für KI und Daten; Leitung eines Teams aus 5 FTE sowie Werkstudierenden.
Ich leitete Data-Science-Initiativen von Anfang bis Ende – vom Data Engineering und Architekturdesign bis zur Bereitstellung produktiver KI-Lösungen. Dabei verband ich praktische technische Arbeit mit Projektmanagement sowie fachlicher und disziplinarischer Teamleitung.
- Eine Lakehouse-Architektur auf Azure Data Lake Gen. 2 entworfen und umgesetzt, die Daten aus SAP, Google Analytics und Jira in einer gemeinsamen Analyseplattform zusammenführt
- Eine moderne Reporting-Landschaft für internationale Stakeholder mit Power BI aufgebaut und innerhalb von zwei Jahren den Großteil des manuellen Reportings abgeschafft
Fachspezifische KI-Übersetzungsplattform
Problem:
Teure externe Übersetzungen von Produktdaten, technischer Dokumentation und Web-Content-JSON für einen globalen Maschinenhersteller in mehr als 100 Sprachkombinationen ersetzen – mit einheitlicher Fachterminologie und freigegebenen Formulierungen.
Hosting & Infrastruktur:
Die Dienste sind mit Docker containerisiert und laufen auf Kubernetes auf Azure. Der Zugriff erfolgt über eine REST-API mit zusätzlicher Stapelverarbeitung und warteschlangenbasierter Verarbeitung für große Aufträge. SAP nutzte die Plattform als gehosteten Dienst hinter einem VPN; weitere Konnektoren unterstützten On-Premise-Systeme und Cloud-Software von Drittanbietern. Das Modelltraining der zweiten Generation lief auf On-Premise-GPUs.
Drei Generationen:
- Generation 1, individuell trainierte neuronale maschinelle Übersetzung. Transformer-/Seq2Seq-Modelle, trainiert auf vorhandenen Translation Memories, Glossaren und technischer Dokumentation. Ersetzt, weil die Übersetzungsqualität nicht gut genug war und das Training auf Fachgebieten bei allgemeinen Texten zu katastrophalem Vergessen führte.
- Generation 2, feinabgestimmte, vortrainierte offene maschinelle Übersetzungsmodelle. Auf On-Premise-GPUs feinabgestimmt. Ersetzt, weil jede Änderung an freigegebenen Übersetzungen ein erneutes Training erforderte, der Aufwand und die Kosten pro Aktualisierung hoch waren und inzwischen leistungsfähigere kommerzielle LLMs verfügbar waren.
- Generation 3, Retrieval-Augmented Generation mit kommerziellen LLM-APIs. Freigegebene Übersetzungen werden zusammen mit Embeddings in Postgres + pgvector gespeichert. Für jedes Segment verwendet eine Prüfung auf exakte Übereinstimmung bereits freigegebene Übersetzungen wieder, ohne ein LLM aufzurufen. Andernfalls werden die ähnlichsten freigegebenen Sätze abgerufen und dem Modell als Few-Shot-Beispiele übergeben. Freigegebene Formulierungen können nun durch eine Aktualisierung der Daten statt durch ein erneutes Modelltraining geändert werden.
Wichtige Entscheidungen:
- Wissen in Daten statt in Gewichten: Durch die Verlagerung freigegebener Übersetzungen aus den Modellparametern in einen Vektorspeicher wurden Korrekturen sofort möglich und der erneute Trainingszyklus entfiel.
- Unabhängigkeit vom Anbieter: OpenAI- und Anthropic-Modelle laufen produktiv, mit Ausweichmöglichkeit zwischen den Anbietern, damit ein API-Ausfall oder Modellwechsel die Übersetzungen nicht stoppt.
- Struktursichere JSON-Übersetzung: Nur Werte werden übersetzt; Schlüssel und Struktur bleiben unverändert.
Qualitätssicherung:
Prüfung durch Sprachexperten, Überprüfung der Einhaltung der Terminologie und Rückmeldungen zur Akzeptanz durch die Geschäftsbereiche, die die Ergebnisse verwenden.
Ergebnis:
Über zwei Jahre €2.7 Millionen an externen Übersetzungskosten eingespart (übersetzte Wörter × Agenturpreis pro Wort); mehr als 5 Millionen Übersetzungen für Produktdaten, technische Dokumentation und Webinhalte bereitgestellt.
(Interim) IT-Leiter
Speedsys GmbH
Leitete die Auswahl der Technologien für ein Team aus vier Entwicklern und richtete einen kontinuierlichen Kundenfeedback-Prozess ein.
Freiberuflicher KI- und Softwareentwickler
Freiberufliche Tätigkeit
Microservice-Architektur, Integrationen und Automatisierung von Geschäftsprozessen für KMU aus verschiedenen Branchen.
Mitgründer / Entwickler
Maxmin GbR
Mitgründung und Entwicklung eines ERP-Systems für den Brautmodehandel während des Studiums. Das Produkt wurde erfolgreich an mehr als zwanzig Kunden in Deutschland und der Schweiz verkauft.
Branchenerfahrung
Sieh, in welchen Branchen dieser Freelancer den Großteil seiner beruflichen Laufbahn verbracht hat.
Erfahren in Informationstechnologie (IT), Mode und Bekleidung, Einzelhandel, Landwirtschaft, Fertigung und Transport und Logistik.
Erfahrung nach Fachbereich
Zeigt, in welchen Abteilungen und Funktionen dieser Freelancer am meisten mitgewirkt hat.
Erfahren in Informationstechnologie (IT), Produktentwicklung, Vertrieb, Projektmanagement, Qualitätssicherung und Business Intelligence.
Zusammenfassung
Freiberuflicher KI-Ingenieur und Architekt (Dr. rer. pol., M.Sc. Business Informatics) mit über zehn Jahren Erfahrung im Aufbau produktiver KI-, Daten- und Cloud-native-Systeme. Ich begleite Projekte von Anfang bis Ende: Architektur, praktische Umsetzung, Infrastruktur und Bereitstellung – von LLM-basierter Dokumentenextraktion und Multi-Agenten-Pipelines bis hin zu Kubernetes-gehosteten Diensten und Infrastructure as Code. Meine Entscheidungen basieren auf Experimenten, nicht auf Theorie, und ich kommuniziere Risiken und Einschränkungen genauso offen wie Ergebnisse. Ausgewählte Projekte stelle ich im Portfolio vor.
Ich setze KI-Agenten bei all meiner Entwicklungsarbeit ein – in Pipelines, die dafür sorgen, dass die Ergebnisse sicher und gut lesbar sind. Für alles, was ich erstelle, übernehme ich die Verantwortung.
- Qualitätsprüfungen in CI: Linting, Formatierung und Typprüfungen sorgen für einheitlichen und gut lesbaren generierten Code.
- Tests und Benchmarks als Prüfschranken: Automatisierte Tests und Evaluierungs-Frameworks müssen vor dem Merge erfolgreich sein.
- Prüfung durch Menschen: Ich lese und verstehe jede Änderung, bevor sie ausgeliefert wird.
- Sicherheitsprüfungen: Scans auf Abhängigkeiten und Geheimnisse sowie automatische Updates von Abhängigkeiten (Renovate).
Fähigkeiten
Ki / Llm
- Gemini
- Claude
- Openai
- Multimodale Dokumentenextraktion
- Rag Und Vektordatenbanken
- Multi-Agenten-Orchestrierung (Pydantic-Ai)
- Mcp-Server
- Prompt- Und Schema-Design
- Benchmarking (F1, Precision, Recall)
- Abstraktionsschicht FüR Anbieter
Backend
- Python
- Fastapi
- Async Postgres (Orm)
- Neo4j
- Redis
- Rest-Api-Design / Openapi
- Asynchrone, Warteschlangenbasierte Verarbeitung
- Authentifizierung (Auth0, Jwt, Webhooks)
Cloud & Devops
- Azure (Aks, Service Bus)
- Scaleway
- Kubernetes
- Docker
- Infrastructure As Code (Terraform / Opentofu, Bicep)
Sprachen
Ausbildung
University of Regensburg
Dr. rer. pol. · Wirtschaftsinformatik
University of Regensburg
M.Sc. Business Informatics · Wirtschaftsinformatik
University of Regensburg
B.Sc. Business Informatics · Wirtschaftsinformatik
Statistiken
Erfahrung
Globale Erfahrung
Fachkenntnisse
Häufig gestellte Fragen
Du hast Fragen? Hier findest du mehr.
Maximilian ist in Burglengenfeld, Deutschland ansässig.
Maximilian spricht folgende Sprachen: Deutsch (Muttersprache), Englisch (Verhandlungssicher).
Maximilian hat mindestens 13 Jahre Erfahrung. In dieser Zeit hat Maximilian in mindestens 8 verschiedenen Rollen und für 7 verschiedene Firmen gearbeitet. Die durchschnittliche Dauer der einzelnen Projekte beträgt 2 Jahre und 7 Monate. Beachten Sie, dass Maximilian möglicherweise nicht alle Erfahrungen geteilt hat und tatsächlich mehr Erfahrung hat.
Basierend auf der jüngsten Erfahrung wäre Maximilian gut geeignet für Rollen wie: Mitentwickler, CTO, Architekt und technischer Leiter.
Die neueste Position von Maximilian ist Mitentwickler bei Nikan AI Solutions GmbH.
In den letzten Jahren hat Maximilian für Nikan AI Solutions GmbH, nikan.ai, Innomarks GmbH, HORSCH Maschinen GmbH und Speedsys GmbH gearbeitet.
Maximilian hat die meiste Erfahrung in Industrien wie Informationstechnologie (IT), Mode und Bekleidung und Einzelhandel. Maximilian hat auch etwas Erfahrung in Landwirtschaft, Fertigung und Transport und Logistik.
Maximilian hat die meiste Erfahrung in Bereichen wie Informationstechnologie (IT), Produktentwicklung und Vertrieb. Maximilian hat auch etwas Erfahrung in Projektmanagement, Qualitätssicherung und Business Intelligence.
Maximilian hat kürzlich in Industrien wie Informationstechnologie (IT), Landwirtschaft und Fertigung gearbeitet.
Maximilian hat kürzlich in Bereichen wie Informationstechnologie (IT), Produktentwicklung und Projektmanagement gearbeitet.
Maximilian besuchte University of Regensburg für Wirtschaftsinformatik.
Maximilian ist sofort vollzeit verfügbar für passende Projekte.
Tagessatzverteilung
Die angegebenen Tagessätze entsprechen der typischen Marktspanne für Freelancer in dieser Position, basierend auf aktuellen Projekten auf unserer Plattform.
Durchschnittlicher Tagessatz für ähnliche Positionen
Die Tagessätze basieren auf aktuellen Projekten und enthalten keine FRATCH-Marge.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 14 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Ähnliche Freelancer
Entdecke andere Experten mit ähnlichen Qualifikationen und Erfahrungen
Yannick S.
Markus O.
Manuel P.
Tungi D.
Niklas W.
Mathias W.
Jürgen F.
Ralph N.
Martin M.
Jens H.
Experten, die kürzlich an ähnlichen Projekten gearbeitet haben
Freelancer mit praktischer Erfahrung in vergleichbaren Projekten als Mitentwickler
Stephan F.
Matthias I.
Marcel M.
Khalid E.
Anthony M.
Siegfried-Thor B.
Patrik G.
Martin H.
Cedric O.
Umar M.
Freelancer in der Nähe
Fachkräfte, die in oder in der Nähe von Burglengenfeld, Deutschland arbeiten
Michael F.
Paul S.
Hamdy A.
Sabine L.
Udo S.
Martin S.
Martin M.
Rusmel M.
Kurt S.
Hakan K.
