Backend-Entwickler in Deutschland

Produkt:

• Eine produktionsreife KI-Plattform aufgebaut, die markenkonforme Marketingbilder und Videos aus Produktdaten, Nutzeranforderungen und hochgeladenen Medien erzeugt.
• Die Plattformarchitektur, die technische Roadmap, das API-Design, die Sicherheit, den Deployment-Workflow, die operative Zuverlässigkeit und die Strategie für Modellanbieter verantwortet.
• Die Kernplattform in .NET entwickelt und unterstützende KI- und Workflow-Prototypen in Python gebaut, mit sprachunabhängigen API-Verträgen und strukturierten Schnittstellen zwischen Services und Modellanbietern.
• Zuverlässige Hintergrundverarbeitung mit RabbitMQ implementiert, Workflow-Zustände gespeichert sowie idempotente Verarbeitung, Retries, Fehlerbehebung, Logging, sichere Speicherung, Autorisierung und Credit-Abrechnung umgesetzt.
• Pragmatische Build-vs.-Buy- und Modellrouting-Entscheidungen auf Basis von Zuverlässigkeit, Latenz, Kosten und Wartbarkeit getroffen, statt auf Neuheit.

Agenten-Orchestrierung & RAG-Systeme

• Agenten-Workflows mit Microsoft Agent Framework, LangGraph und LangChain aufgebaut und verglichen, einschließlich Tool-Nutzung, bedingter Weiterleitung, Klärungsschritten, Zustandsverwaltung und Übergaben zwischen Agenten.
• Wiederverwendbare .NET-Komponenten für Agenten, Prompts, Tools, Modellanbieter, strukturierte Antworten und Retrieval mit pyvector implementiert, um den Wechsel von KI-Anbietern zu erleichtern, ohne den Kern-Workflow neu schreiben zu müssen.

• Auftraggeber: Prime Force Group GmbH

Eingesetzte Techniken: Java 25, Spring Boot 4, MapStruct, JSpecify, PostgreSQL, Redis, Liquibase, REST/OpenAPI, Apache Kafka, Apache Solr, OpenID Connect über IronGate/Keycloak, SAP Customer Data Cloud, JUnit, Testcontainers, Karate, Playwright, GitLab-Monorepo mit CI/CD, Jenkins, JFrog Artifactory, FluxCD, Docker, Kubernetes auf Azure, OpenTelemetry, arc42, Jira, Confluence

Das Team Management Center ist die neue zentrale Plattform des DFB für die Planung, Verwaltung und Durchführung von Teammaßnahmen der Nationalmannschaften – von der Kaderzusammenstellung über Lehrgänge und Trainingslager bis zur Kommunikation mit Spielern, Vereinen und Erziehungsberechtigten. Die Plattform ist mandantenfähig für DFB und Landesverbände ausgelegt; Spieler-, Vereins- und Stammdaten werden bewusst nicht kopiert, sondern zur Laufzeit über die DFBnet-APIs angebunden.

Ich bin seit der Architektur- und Konzeptphase (Sprint 0) durchgängig im Projekt und arbeite im verteilten Scrum-Team in zweiwöchigen Sprints. Neben der Implementierung liegen meine Schwerpunkte auf Architekturabstimmungen, der Anbindung der DFBnet-Schnittstellen sowie auf Code-Reviews und Test-Automatisierung als Qualitätssicherung im Team.

Schwerpunkte:

• Erarbeitung und Umsetzung des Mandantenfähigkeitskonzepts (Tenant-Modell für DFB und Landesverbände) inklusive Datenmodell, Zugriffsschicht und Liquibase-Migrationen.
• Konzeption des Personen-Services und des Suchkonzepts auf Basis von Apache Solr.
• Anbindung der DFBnet-APIs (Spieler-, Personen- und Vereinssuche, Club-Daten) inklusive Authentifizierung und synchroner Stammdaten-Synchronisation.
• Härtung der Integration durch Resilienzmuster: eigene Read-Timeouts je Suchpfad, Korrektur der Circuit-Breaker-Zählung, Begrenzung paralleler Aufrufe und Club-Cache zur Entlastung des Fremdsystems.
• Entwicklung der Self-Service-Endpunkte für Spieler (eigene Maßnahmen, Maßnahmendetails, Spiele) inklusive Zugriffskonzept für Teilnehmende sowie der Personendokumente und Datei-Uploads.
• Vereinheitlichung des API-Designs: OpenAPI-Annotationen, Nullability-Modell über einen eigenen ModelConverter, JSpecify-Migration der DTOs und dokumentierte API-Guidelines.
• Aufbau und Pflege der Karate-basierten API- und Integrationstests, Integrationstests mit Testcontainers, Test-Guidelines und Bug-Triage aus den Integrations- und Referenzumgebungen.
• Code-Reviews über Merge Requests, Architekturdokumentation nach arc42 und Architekturentscheidungen (ADRs) in Confluence.
• Automatisiertes Deployment auf Integrations- und Referenzumgebung, Analyse von Login- und OIDC-Problemen im Zusammenspiel mit IronGate.

Status: laufend – Stand 08/2026 in Sprint 17, rund 940 geleistete Personenstunden; alle zwei Wochen testbare Auslieferung auf die Integrationsumgebung.

Weiterentwicklung und Modernisierung einer gewachsenen Aspire-Backend-Anwendung im Umfeld eines Energieversorgungsunternehmens mit Fokus auf neue Geschäftsanforderungen, Testing, Legacy-Code-Bereinigung und stabile Backend-Bereitstellung.

Kernbeiträge & Ergebnisse

• Setzte neue fachliche Anforderungen im Kontext von Kundenaufträgen, Subunternehmen und unternehmensübergreifenden Backend-Prozessen um und stellte konsistente Abläufe in einer verteilten Systemlandschaft sicher.
• Modernisierte bestehende Backend-Komponenten schrittweise und reduzierte technische Schulden durch gezielte Bereinigung von Legacy-Code, Refactoring und strukturierte Code-Reviews.
• Verbess erte die Testbarkeit geschäftskritischer Services durch Ausbau automatisierter Tests mit xUnit, AutoFixture und klareren Validierungsstrukturen.
• Unterstützte die Weiterentwicklung von Workflow-Automatisierungen und Integrationsprozessen über Microservices, Messaging und API-basierte Kommunikation.
• Übernahm Quellcode externer Firmen, prüfte die Code-Qualität systematisch und leitete technische Verbesserungen für Wartbarkeit, Stabilität und Integration ab.
• Arbeitete in agilen Entwicklungsprozessen mit Jira, Confluence und Azure DevOps und unterstützte teamübergreifende Abstimmung zu Architektur, Qualität und Umsetzung.

Technologien & Methoden

C#, .NET, ASP.NET, ASP.NET Core, Aspire, Docker, RabbitMQ, gRPC, REST API, Swagger, Microservices, NServiceBus, AutoMapper, Autofac, xUnit, AutoFixture, FluentValidation, Entity Framework Core, MediatR, Redis, Consul, Serilog, SonarQube, Azure DevOps, Azure Monitor, GitLab, Google Protocol Buffers, IronPDF, Mailjet, Jira, Confluence, Miro, Agile Entwicklung, Scrum, Code-Reviews, Refactoring, Legacy-Code-Bereinigung, Workflow-Automatisierung, Stromnetze

Tätigkeit:

• Design und Aufbau eines Proof-of-Concept (PoC) für eine zukunftsfähige Virtualisierungsplattform unter Berücksichtigung sicherer Systemarchitekturen
• Bewertung des Ist-Standes bestehender Infrastrukturen und Erarbeitung von Auswahl- und Bewertungskriterien für die geeignete OS-Virtualisierungsplattform
• Durchführung der Anforderungsanalyse mit nachfolgender Erstellung und Priorisierung von Tickets im Ticketsystem
• Fertigstellung und kontinuierliche Vervollständigung einer Tool-Bewertungsmatrix basierend auf PoC-Ergebnissen
• Unterstützung des Wissensaufbaus im Team durch nachvollziehbare Dokumentation der Vorgehensweise und Ergebnisse in Confluence
• Enterprise-Analyse der Bestandshardware (Erstellen verschiedener BoMs)

Technologien: Vmware, Vmware Aria Operations, Osism, Canonical OpenStack, FishOs, Linux, Terraform, Ansible, Confluence, Alma

Entwurf und Umsetzung einer kompakten ERP-, CRM-, Buchhaltungs- und Produktionsplanungsplattform für einen deutschen Lebensmittelhersteller. Das System ersetzt Rechnung11, selbst gebaute Excel-Tabellen und manuelle Prozesse für weniger als 10 interne Nutzer.

• Habe die komplette Plattformarchitektur als alleiniger Architekt und Entwickler entworfen und umgesetzt.
• Module für Kundenverwaltung, B2B-Auftragsbearbeitung, Rechnungsstellung, Produktionsplanung und Buchhaltungsunterstützung gebaut.
• DATEV-Export, ZUGFeRD-/XRechnung-E-Rechnungen, FinTS-Bankabgleich und GoBD-Audit-Trail-Konzepte implementiert.
• KI-gestützte Workflows für Prototyping, Testunterstützung und schnellere Umsetzung genutzt, dabei aber volle Architektur-, Review-, Teststrategie- und technische Verantwortung behalten.

Technologie: Java 23, Spring Boot 3, Spring Data JPA, Spring Security, Vue 3, TypeScript, PostgreSQL, Flyway, REST, OpenAPI, JWT, TOTP, RBAC, DATEV, FinTS, ZUGFeRD, XRechnung, GoBD, JUnit, Mockito, Testcontainers, Playwright, Docker, GitLab CI/CD

Entwicklung und evolutionäre Weiterentwicklung einer hochverfügbaren, cloud-nativen Microservice- und Integrationsarchitektur für Dealer- und Retail-Prozesse im Porsche Car Configurator.

Verantwortlichkeiten

• Entwicklung Java-/Kotlin-basierter Backend-, API- und Integrationskomponenten (Spring Boot)
• Integration interner und externer Systeme über REST/OpenAPI, GraphQL, Apache Kafka und AWS SQS (synchron und asynchron)
• Umsetzung stabiler, performanter Kommunikations- und Datenflüsse in einer cloud-nativen Plattformarchitektur
• Verarbeitung strukturierter Datenformate (JSON, Protobuf, GraphQL-Schemas) auf Basis bestehender API-Pattern
• Performanceoptimierung verteilter Microservices mit reduzierten Antwortzeiten und höherer Betriebsstabilität
• Technische Tests (Unit-, Integrations- & API-Tests) sowie Fehleranalyse in produktionsnahen Umgebungen
• AWS Infrastructure as Code mit Terraform und AWS CDK
• CI/CD-Automatisierung (Build-, Test- & Deployment-Pipelines) mit GitHub Actions
• KI-gestützte Feature-Implementierung (GitHub Copilot Agent)

Label: Kotlin, Java 25, Spring Boot 4, Protobuf, TypeScript, AWS, Terraform, CDK, Apache Kafka, AWS SQS, REST/OpenAPI, GraphQL, JSON, PostgreSQL, Docker, GitHub Actions, Maven, Gradle, JUnit, Mockito, Testcontainers

Entwickelte Python-basierte KI-Microservices und Integrationen für eine AEC/VR-SaaS-App auf Unity-Basis, mit Fokus auf LLM-/VLM-Funktionen, retrieval-gestützte Systeme, RESTful APIs, containerisierte Bereitstellung und einen Automatisierungs-Microservice für die CAD-zu-Unity-Pipeline.

• Entwickelte einen eigenen Hybrid-A*-Algorithmus in C#, um Hospitalszenarien zu simulieren und frühe Designkonflikte anhand von Kollisions- und Raumdaten zu erkennen sowie strukturierte Berichte zu erzeugen.
• Löste und automatisierte das zeitaufwändige Problem, CAD-Dateien in nutzbare Unity-Umgebungen zu überführen, mit einer eigens entwickelten Echtzeit-Pipeline und einer ZeroMQ-basierten Kommunikationsebene, um Lasten auf mehrere Prozesse zu verteilen und Echtzeitfähigkeit zu erreichen.
• Entwickelte eine Docker-basierte FastAPI-Pipeline für die CAD-zu-Unity-Automatisierung, die bildbasierte Objekterkennung, Image Embeddings und vorab berechnete Metadaten kombiniert, um CAD-Objekte automatisch Unity-Verhaltensskripten zuzuordnen, Eigenschaften zu setzen und wiederholte KI-Inferenzaufrufe zu reduzieren.
• Erstellte Dokumentation und Beispiele, um technischen Nutzern zu helfen, die KI-Automatisierungspipeline zu verstehen, zu konfigurieren und zu erweitern.

• Weiterentwicklung und Betrieb eines zentralen Backend-Services zur Bereitstellung des Fahrzeugbestands für internationale Mercedes-Benz Online-Shops
• Weiterentwicklung eines Reservierungsservices für Fahrzeuge als Bestandteil des Checkout-Prozesses
• Konzeption und Umsetzung einer hochskalierbaren Ende-zu-Ende-Testarchitektur mit Fokus auf Wartbarkeit, Wiederverwendbarkeit und einer hohen Anzahl automatisierter Testfälle
• Entwicklung einer mehrschichtigen Testinfrastruktur mit konsequenter Trennung von Testlogik und Zugriffsschichten
• Entwicklung einer Initialisierungs- und Caching-Architektur zur erheblichen Beschleunigung lokaler sowie CI/CD-basierter Testausführungen
• Entwicklung einer KI-gestützten Review-Architektur zur automatisierten Bewertung und Qualitätssicherung von Ende-zu-Ende-Tests
• Entwicklung eines Dashboards zur konsolidierten Darstellung eines Fahrzeugkontextes über mehrere Backend-Systeme hinweg inklusive KI-generierter Zusammenfassungen und komprimierter Fallanalysen
• Integration und Weiterentwicklung der Anbindung verschiedener Reservierungssysteme über Apache Kafka und Rest
• Konzeption neuer Microservices sowie Unterstützung bei Architekturentscheidungen
• Risikoanalyse und Konzeption von Microservice-Migrationen
• Technologien: Java, Spring, Spring Boot, Gradle, Maven, Apache Kafka, Rest, OpenAPI, Swagger, Github, Confluence, CI/CD, Microservices, AI, LLMs

• Backend-Features für Modern RIS entwickelt, ein webbasiertes Radiologie-Informationssystem, das über WebView mit dem bestehenden Classic RIS integriert ist.
• An einem modularen Spring-Boot-Backend gearbeitet, das klinische Abläufe wie Termine, Untersuchungen, Patienten, Aufträge, Berichte, Abrechnung und Lagerbestand abdeckt.
• Zur ereignisgesteuerten Architektur beigetragen, indem Domänenereignisse genutzt wurden, um Workflows zwischen Backend-Modulen zu entkoppeln.
• REST/OpenAPI-Endpunkte, Business-Logik in der Service-Schicht, DTO-Mapping, Validierung und Integrationspunkte für das React-Frontend implementiert.
• Mit PostgreSQL-basierten Domänenmodellen, Liquibase-Datenbankänderungen, Trennung von Read-/Write-Modellen und alten RIS-Datenbankstrukturen gearbeitet.
• Authentifizierungs- und Autorisierungsflüsse mit Keycloak und OAuth2 integriert.
• Unit-/Integrationstests mit JUnit, Rest Assured, Testcontainers und projektspezifischen Test-Utilities hinzugefügt und gepflegt.
• CI/CD- und lokale Entwicklungs-Workflows mit Maven, Docker Compose, Jenkins und generierten OpenAPI-Clients unterstützt.

Tech-Stack: Java 21, Spring Boot 3.5, Maven, PostgreSQL, Liquibase, Keycloak, OAuth2, REST, OpenAPI/Springdoc, MapStruct, Lombok, Docker, Testcontainers, Jenkins.

Manufacturing-Intelligence-Plattform mit Enterprise-Workflows, RAG, Echtzeit-Funktionen für AI-Assistenten und Backend-Architektur über mehrere Repositories.

• Entwickelte und erweiterte produktive AI-/Backend-Services mit Django, DRF, FastAPI, GraphQL, Celery, PostgreSQL, MySQL, Redis und WebSockets über eine modulare Plattform mit mehreren Repositories.
• Mitgewirkt an ARIS V2, einem Echtzeit-AI-Assistenten für die Fertigung mit LangChain, LangGraph, MCP-Tool-Orchestrierung, Planungs-/Ausführungs-Workflows, OpenAI, AWS Bedrock, Qdrant sowie Retrieval auf Basis von Elasticsearch/OpenSearch.
• Unterstützte die Rollout-Erweiterung von ARIS V1 in 4 von 17 Kunden-Produktionswerken auf ARIS V2, das aktuell in 13 von 17 Werken aktiv ist, und steigerte so die reale Abdeckung auf mehr als 50 % der Kundenumgebung.
• Arbeitete an dokumentengestützter RAG-Funktionalität inklusive Ingestion, OCR, Chunking, Embeddings, Indexing, Retrieval, Reranking und geerdeter Antwortgenerierung für industrielle Workflows.

Stack: Python, Django, DRF, FastAPI, LangChain, LangGraph, GraphQL, Celery, WebSockets, OpenAI, AWS Bedrock, Qdrant, Elasticsearch/OpenSearch, PostgreSQL, MySQL, Redis, Docker.

• Entwicklung und Wartung eines Nachrichtenportal-CMS mit Schnittstellen.
• PHP-Entwicklung mit HTML, CSS, SCSS, JavaScript, MySQL, Laravel, Dokumentation der Schnittstellen und des Systems.
• Weiterentwicklung des SSO-Systems auf Basis von Laravel mit einer großen API und Anbindungen an AWS, SAP, ERPS.
• Reorganisation und Entwicklung der Nachrichtenportale auf Basis einer Publish-Plattform, Services und Schnittstellen zu Google, Facebook, Twitter, SSO, SAP, technisch umgesetzt mit NodeJS, TypeScript und AWS.
• Technologien: PHP, Laravel, MySQL, JavaScript, Vue.js, NodeJS, TypeScript, jQuery, CSS, SCSS, SASS, Unix, Jira, Confluence, Git, Apache, Nginx, AWS.

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

traigo ist die digitale Plattform von VTG für Bahnlogistik und Flottenmanagement. Sie verarbeitet große Mengen an Telemetrie-, Kilometer-, Geofence-, Sensor- und Wagenbewegungs-Events nahezu in Echtzeit und stellt operative Services für Kunden aus der Bahnlogistik in ganz Europa bereit.

Als Teil von Team Customer Selfcare habe ich an Design, Implementierung, Optimierung und Betrieb großer Backend-Services und eventgesteuerter Verarbeitungspipelines gearbeitet — sowohl an der Feature-Entwicklung als auch an der operativen Verantwortung für geschäftskritische Produktionssysteme. Außerdem war ich regelmäßig erster Ansprechpartner bei Produktionsvorfällen, Dateninkonsistenzen und Performance-Analysen über mehrere verteilte Services hinweg.

• Design und Implementierung eventgesteuerter Backend-Services.
• Migration und Ablösung von Legacy-Verarbeitungspipelines.
• Entwicklung von Replay-/Rebuild-Mechanismen für große Event-Datenmengen.
• Asynchrone Event-Verarbeitung mit hohem Durchsatz auf SNS / SQS.
• Datenbank- und Query-Optimierung für PostgreSQL und DynamoDB.
• Design skalierbarer Read-/Write-Modelle und Aggregationspipelines.
• Fehlersuche in der Produktion und operativer Support.
• Performance-Tuning und Skalierung der Infrastruktur.
• Design und Stabilisierung von Integrations- und Systemtests.
• Technische Konzepte, Architektur-Dokumentation und bereichsübergreifende Zusammenarbeit.
• Unterstützung bei der Weiterentwicklung bestehender GitLab CI/CD-Pipelines

Geofence- und Wagenstand-Verarbeitung

• Algorithmus zur Erkennung von Fahrzeugen innerhalb von Geofences (Eintritt, Austritt, Verweildauer).
• Event Sourcing mit garantierter chronologischer Reihenfolge innerhalb des betroffenen Zeitfensters.
• Refactoring der Logik für Geofence-Events und Wagenstand-Verarbeitung für bessere Performance.
• Behebung von Race Conditions und Problemen mit der Event-Reihenfolge in verteilten Services; serverseitiges Filtern, Aggregieren und optimierte Query-Pipelines.
• Reparatur- und Replay-Tools für beschädigte oder inkonsistente Bewegungsdaten.

Flotten-Metadaten & Kilometerstände

• Modernisierung des Services; Migration des Speichers von DynamoDB nach PostgreSQL, um die Nachverfolgbarkeit zu verbessern und neue Features schneller umzusetzen.
• Skalierbare Aggregation von Kilometerständen und Replay-Mechanismen.
• Read-/Write-Modelle und optimierte Queries für Berechnungen mit hohen Datenmengen.

Sensor- & Telematik-Integration

• Integration von Telemetrie- und Sensor-Verarbeitungspipelines.
• Snapshot- und Zustandsberechnungslogik für Sensorsysteme.
• APIs und Persistenzmodelle für Wagensensordaten; Verbesserungen der Datenqualität.
• Weiterentwicklung eines Services mit gRPC für die Kommunikation zwischen Services.

Verarbeitung von Bewegungssegmenten & Routing

• Migration von Services auf neue Event-Streams für Bewegungssegmente.
• Aufbau von Replay- und Rebuild-Tools für Segmentkorrekturen.
• Optimierung von Durchsatz und Zuverlässigkeit bei der Verarbeitung großer Event-Mengen.

Zustandsüberwachung & Wagenanalyse

• APIs und Backend-Services für die Zustandsüberwachung von Wagen.
• Verarbeitung zur Vorhersage von Bremsverschleiß und Funktionen für Wagenanalysen.
• PostgreSQL-Views und optimierte Query-Modelle für operative Dashboards.

Operative Zuverlässigkeit - First Responder

• Analyse von Produktionsvorfällen und Ausfällen verteilter Systeme; DLQ-Analyse, Replay und operative Wiederherstellung.
• Tuning der Datenbank-Performance und der AWS-Infrastruktur unter Produktionslast.
• Verbesserung von Observability, Monitoring und operativen Tools.
• Unterstützung bei Rollout-Strategien, Monitoring und Stabilisierung nach dem Deployment.

• ▶ Einen Echtzeit-Sprachassistenten gebaut (STT → LLM → TTS-Pipeline), mehrere STT-Anbieter wie faster-whisper und Azure Speech gebenchmarkt und bewertet. Sub-3s-Latenz erreicht, Groq API (Llama 3) mit Multi-Turn-Memory genutzt - mit direkter Behandlung von Edge Cases bei Diktat, Namen und Passcode-Erkennung.