AI-Engineers in Berlin

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Enterprise-Retrieval-Augmented-Generation-(RAG)-Anwendungen mit LangChain, LangGraph, Vektordatenbanken, Embeddings und Open-Source-LLMs entworfen und bereitgestellt, die über vLLM auf GCP-GPU-Infrastruktur betrieben wurden.
• Agentic-AI-Workflows mit LangGraph entwickelt, inklusive Planung, Schlussfolgern, Tool-Ausführung, persistenter Speicherung, Sitzungsverwaltung und Human-in-the-Loop-Freigabemechanismen.
• LLM-gestützte Automatisierungssysteme entwickelt, die BigQuery, SQL-Pipelines und externe Werbe-APIs wie Meta, TikTok, Amazon, Snapchat, Google und Pinterest integrieren und manuelle operative Abläufe reduzieren.
• Multi-Agent-AI-Systeme für Enterprise-Analytics- und Entscheidungsunterstützungs-Workflows entworfen, die autonome Aufgabenausführung und intelligente Dateninteraktionen ermöglichen.
• Retrieval-Optimierungsstrategien umgesetzt, darunter Multi-Retriever-Architekturen, semantische Suche, Kontextoptimierung und Query-Verbesserungstechniken, wodurch die Relevanz der Antworten um etwa 40 % verbessert wurde.
• Strukturierte Prompting-Strategien, Function-Calling-Schemata und Validierungs-Workflows entwickelt, um die Zuverlässigkeit von mehrstufigen LLM-Anwendungen zu verbessern.
• Skalierbare AI-Services mit Python, FastAPI, Cloud Run, Pub/Sub, BigQuery, Docker und cloud-nativen Bereitstellungsarchitekturen entworfen.

KI-Plattform-Backend – Senior Developer

Engagiert, um ein Backend für eine KI-Plattform von Grund auf zu konzipieren und aufzubauen, inklusive Multi-Provider-LLM-Orchestrierung und Echtzeitinfrastruktur für KI-Influencer-Personas im großen Maßstab.

Aufgaben und Verantwortlichkeiten

• Architektur und Implementierung einer Multi-LLM-Orchestrierungsschicht mit Semantic Kernel zur Integration von GPT-4 und weiteren Anbietern für die Kernplattformlogik und KI-Influencer-Personas, Reduzierung des Modellwechsel-Overheads durch Abstraktion der Anbieter-APIs hinter einer einheitlichen Schnittstelle.
• Entwurf und Entwicklung eines Backends von Grund auf in C# / .NET 10, einschließlich Domain-Modellierung mit DDD, versionierter RESTful-API-Schicht und Cloud-Infrastrukturaufbau auf Azure.
• Aufbau einer Echtzeit-Chat-Infrastruktur mit Server-Sent Events (SSE), Nachrichtenpersistenz und Zustellungsgarantien für den Live-Betrieb von KI-Influencer-Personas im großen Maßstab.
• Entwicklung eines Medienverwaltungsdienstes mit Integration von Cloud-Objektspeicher für Upload und Abruf influencer-generierter Inhalte.
• Erstellung einer Integrations- und Unit-Test-Suite mit Daten-Seeding für zuverlässige Regressionstests über alle Kernplattform-Flows, deutliche Reduzierung der Produktionsfehlerrate.

Werkzeuge und Technologien: C#, .NET, ASP.NET Core, Python, TypeScript, MySQL, Semantic Kernel, EF Core, Minimal APIs, LLM Orchestration, Prompt Engineering, Agentic AI, Generative AI, AI-Assisted Engineering, Claude Code, GitHub Copilot, Google Gemini, OpenAI API, Ollama, Redis, Azure, Azure Container Apps, Azure Database for MySQL, Docker, GitHub Actions, Clean Architecture, Vertical Slice Architecture, CQRS, Domain-Driven Design, REST API, xUnit, Integration Testing, Unit Testing, Jira, Confluence, Scrum

• Wandelt natürliche Sprache mit RAG und pgvector in JQL um. Gibt strukturiertes JSON mit einer Query, einer Chart-Spezifikation und einer Klartext-Antwort zurück. Ein zweistufiger Router beantwortet allgemeine Fragen ganz ohne den JQL-Pipeline-Pfad.
• Austauschbare LLM-Backends: Ollama, vLLM, Groq, Anthropic Claude, AWS Bedrock - zur Laufzeit umschaltbar, ohne Codeänderungen. Self-healing JQL: Bei Jira-Validierungsfehlern wird der Fehler an das LLM zurückgegeben und bis zu 4 Mal erneut versucht. OCI Vault für Secrets. Bereitgestellt auf Oracle Cloud A1 mit GPU-Inferenz über ein Tailscale-Privatnetzwerk. Open Source.

• Fractional Leadership; Beratung von Startups und Scale-ups in der Wachstumsphase zu Datenstrategie, ML-Produkten und Plattform-Grundlagen
• Aufbau von Entscheidungssystemen für Growth, Personalisierung und Produktexperimente in E-Commerce, Digital Health, Energie und Logistik
• Erforschung von Agentic AI und LLM-basierten Tools für produktionsreife Muster

Enterprise-KI-Inhaltskategorisierung und KI-gestützte Web-Recherche.

• Multi-LLM-Evaluierungs-Framework mit annotierten Daten aufgebaut
• LLM-Fehlerraten anhand annotierter Datensätze iteriert
• KI-gestützte Web-Recherche-Pipeline implementiert Technologie-Stack: LLM, evals, OpenRouter, Python, Node.js, TypeScript, React

• Entwickelte und implementierte ein hybrides Empfehlungssystem (Content-Based + Collaborative Filtering)
• Baute End-to-End-ML-Pipelines inklusive Datenverarbeitung, Feature Engineering, Modelltraining und Bewertung
• Entwickelte RAG-basierte LLM-Systeme mit LangChain und Vektordatenbanken für semantische Suche und Wissensabruf
• Etablierte MLOps-Workflows mit MLflow für Experiment-Tracking, Versionierung und Deployment-Bereitschaft
• Implementierte Deep-Learning-Modelle (Computer Vision & Klassifikation) mit PyTorch und TensorFlow

Konzeption und Entwicklung KI-gestützter App-MVPs von der ersten Idee bis zum funktionierenden Produkt. Ich verbinde UX-Strategie mit modernen KI- und No-Code-Tools — vor allem Claude und Claude Code, mit dem ich direkt im Terminal am echten Code arbeite (React, Vite), ergänzt durch Figma, Bolt.new und Base44 — um Produktideen schnell zu validieren und umzusetzen. Eigene Plattformen: Nutrycoach.ai (KI-Ernährungscoaching mit rollenbasierten Dashboards für Klienten, Coaches und Admins, KI-Mahlzeitenanalyse und skalierbarem Designsystem) und LuxuryBandit (Content-/Creator-App). Daraus entstand meine eigene Praxis „AI-assisted App Strategy“, die menschliche Kreativität, UX-Logik und intelligente Automatisierung vereint.

• KI- und Data-Science-Lösungen geliefert, darunter LLM-basierte Chatbots und Datenpipelines, wodurch die operative Effizienz verbessert wurde.
• An Produktfunktionen mitgearbeitet, messbare Wirkung erzielt und starke Kundenbeziehungen gepflegt.

• Codebase-Bewertung & Problemdesign: Komplexe Software-Engineering-Probleme gegen große Open-Source-Python-Codebasen (einschließlich pandas) entworfen und unter Last getestet, was tiefes Kontextverständnis und architektonisches Wissen erforderte, um sauber abgegrenzte, realistische Problemstellungen zu erstellen, die strengen Korrektheitsvorgaben entsprechen.
• Analyse von Agentenfehlern: Lösungen von LLM-Coding-Agenten auf Korrektheit und Vollständigkeit geprüft und dabei aussagekräftige Fehler in der Behandlung von Edge Cases, im dtype-Verhalten und in der Logik zur NaN-Weitergabe über mehrere Spalten hinweg identifiziert; Ergebnisse präzise für die weitere Auswertung dokumentiert.
• Programmgesteuerte Test-Suite-Entwicklung: Umfassende pytest-Suites erstellt, um Agenten-generierte Lösungen programmgesteuert gegen definierte Anforderungen zu prüfen, mit gezielter Abdeckung von Randbedingungen und Fehlermodi, die naive Implementierungen nicht erfassen.
• Containerisierte Umgebungs-Entwicklung: Docker-Umgebungen für reproduzierbare Agentenausführung gebaut und debuggt, einschließlich git-basierter Repository-Bereitstellung, Dependency-Pinning mit npm ci und Erstellung von Multi-Stage-Dockerfiles für Linux-basierte Container.

• Analyse komplexer Business-Prozesse und End-to-End-User-Journeys in digitalen Produkt- und Plattformumfeldern
• Erhebung, Strukturierung und Priorisierung fachlicher und technischer Anforderungen (funktionale / nicht-funktionale Anforderungen)
• Übersetzung von Business-Zielen in umsetzbare Anforderungen, User Stories und Akzeptanzkriterien
• Durchführung von Stakeholder-Interviews, Workshops und Reviews mit Fachbereichen, IT, UX und Management
• Erstellung und Pflege von Anforderungsartefakten (BRD, FRD, User Stories, Prozessmodelle, Entscheidungsvorlagen)
• Sicherstellung der Konsistenz zwischen Business Needs, technischer Umsetzung und Produktvision
• Enge Zusammenarbeit mit Entwicklungsteams zur Klärung fachlicher Rückfragen während der Umsetzung
• Unterstützung bei Impact-Analysen (A/B-Tests), Change Requests und Scope-Management
• Qualitätssicherung der implementierten Anforderungen inkl. Abnahmekriterien und Fachtests
• Beratung bei der Weiterentwicklung der Produktstrategie und Roadmap-Struktur
• Priorisierung von Backlog-Items nach Business Value
• Definition und Schärfung von Produktzielen, KPIs, MVP-Definition und anderen Success Metrics
• Bewertung neuer Features, Tools und Initiativen aus Nutzer- und Business-Perspektive
• Moderation zwischen Business, Produkt und Technik zur Entscheidungsfindung
• Unterstützung bei Go-to-Market-Überlegungen und Produktpositionierung
• Sparringspartner für Produkt- und Stakeholder-Entscheidungen auf Management-Ebene
• Dashboard-Erstellung, Datenmodellierung, BI-Report-Administration und Datenanalyse über PowerBI

• Biete freiberufliche Softwareentwicklungs- und AI-Orchestrierungsdienste für ein Startup in der Frühphase an.
• Entwickle und koordiniere autonome KI-Systeme, die komplexe, mehrstufige Workflows ausführen können.
• Entwickle Piloten und Proof-of-Concept-Lösungen mit Kundenkontakt.
• Nehme an Meetings mit Kunden und Investoren teil, um die Produktentwicklung und Geschäftsgespräche zu unterstützen.

• Situation: Flickwerk aus über 20 Jahren proprietärer Altsysteme – Eigenentwicklung für Shop, Apothekenbetrieb, Logistik und Produktdatenverwaltung. Keine Standardisierung, keine Automatisierung, keine modernen Delivery-Praktiken.
• Team: Zentrale Heroenkultur mit einer Führungskraft für über 20 direkte Reports. Engpass beseitigt, leistungsschwache Mitarbeiter ersetzt, widerspenstige Teammitglieder eingegliedert oder verabschiedet. Frisches Talent eingestellt, das neue Energie und Fähigkeiten mitbrachte.
• Delivery: Neun Marken auf einer Plattform zusammengeführt, Delivery-Geschwindigkeit um das Zehnfache erhöht und markenübergreifende Inkonsistenzen eliminiert. Neue Mobile App gelauncht, die den Mobile-Umsatzanteil innerhalb von 12 Monaten verdreifachte.
• KI: KI-Coding-Tools in allen Entwicklungsabteilungen eingeführt. Kontinuierlich Schulungen und Wissensaustausch für Entwickler vorangetrieben. Analysen und agentengesteuerte Automatisierung für eingehende Kundenservice-E-Mails bereitgestellt und agentengesteuerte Anrufautomatisierung initiiert.
• Betrieb: Automatisierte Build- und Deployment-Pipelines eingeführt, Cloud-Migration gestartet und das Kern-Apotheken-System auf eine wartbare, aktuelle Basis gestellt.
• Governance: Projektpriorisierung von ad-hoc-Anforderungen zurückgeholt und durch transparente Kapazitätsplanung ersetzt – das deutlichste „Nein“ und die wirkungsvollste Veränderung für die Organisation.

OpsWorker verwandelt Kubernetes-Alerts in Root-Cause-Analysen, zusätzlich zu dem Monitoring, das ein Team bereits betreibt. Ich leite die technische Seite: die Agentenarchitektur, die AWS-Infrastruktur, auf der das Ganze läuft (vollständig in EU-Regionen), und die Engineering-Entscheidungen dahinter, standardmäßig nur lesend im Cluster, der Mensch bleibt für die Bewertung im Loop. Der Stack darunter: Amazon Bedrock und Bedrock AgentCore, Agenten gebaut mit dem Strands Agents SDK, die Claude- und OpenAI-APIs sowie die Kubernetes-API.