Stellen Sie die besten DevOps Engineers in Germany in Minuten aus 15.000 Lebensläufen mit der Kraft von KI ein

• Entwarf und entwickelte die Architektur einer Enterprise-SCM/CI-Plattform für Kubernetes-native Delivery- und GitOps-Workflows.
• Implementierte Infrastruktur-Automatisierung sowie Vault- und IAM-Integration für sichere, konforme Pipelines.
• Koordinierte bereichsübergreifende Teams zur Optimierung von DevOps, Security und Architektur in Release-Prozessen.
• Steigerte die Plattform-Akzeptanz und Developer Experience durch die Automatisierung von Onboarding- und Artifact-Pipelines.

• Porsche ID ist eine einheitliche digitale Identitätsplattform, die sichere Authentifizierung und nahtlosen Zugriff auf Porsches Online-Dienste, mobile Apps und vernetzte Fahrzeugfunktionen bietet
• Entwarf und implementierte neue Authentifizierungs- und Autorisierungsfunktionen für Benutzer und Systeme
• Stellte hohe Verfügbarkeit, Sicherheit und Performance sicher, um Porsche-Kunden eine einwandfreie digitale Erfahrung zu bieten
• Technologien: Auth0, Angular, Tailwind, AWS, Terraform, GitHub
• Methoden: Scrum und SAFe

• Planung und Umsetzung des Upgrades der bestehenden TYPO3-Installation auf TYPO3 11, inklusive Umstellung auf Composer-Setup (Composer-basiertes Deployment)
• Migration der zugrunde liegenden MySQL-Datenbank

• Infrastrukturmanagement mit Puppet und Terraform für konsistente Umgebungen
• Wartung und Anpassung von Terraform-Skripten für das Azure-Cloud-Deployment
• Migration von Datenbanksystemen und Services in die Azure Cloud
• Einführung von GitOps mit ArgoCD für vollständig automatisierte Deployments
• Anpassung und Entwicklung von GitHub-Pipelines für CI/CD-Workflows
• Erstellung von Helm Charts für standardisierte Deployments
• Migration der Repositories von Bitbucket nach GitHub
• Betrieb und Performance-Optimierung eines Oracle 19c Grid-Clusters (RAC, Dataguard)
• Aufbau und Verwaltung von MongoDB-Instanzen (On-Premise und Azure Kubernetes)
• Aufbau von PostgreSQL-Clustern in On-Premise- und Azure-Kubernetes-Umgebungen
• Migration von Services, Datenbeständen und Stored Procedures von Oracle zu PostgreSQL
• Fehleranalyse und Performance-Tuning komplexer Dateninfrastrukturen
• Installation, Konfiguration und Upgrade von Tableau in der produktiven BI-Umgebung
• Entwicklung von Sanity Checks zur Überwachung von Geschäftsprozessen und Anwendungslogik
• Anpassung der Backup- und Recovery-Strategie an neue Anforderungen
• Durchführung von Disaster Recovery und Point-in-Time Recovery
• Eingesetzte Technologien: Oracle 19c RAC Grid Dataguard, PostgreSQL 16, MongoDB, MySQL Cluster, Kubernetes (Azure), Tableau, Puppet, Terraform, ArgoCD, GitHub/Bitbucket, CheckMK, Prometheus, Grafana, Icinga2, Ubuntu/RHEL

SCS bietet seine Services für verschiedene Handels- und Abwicklungsstandorte an und stellt eine Vielzahl von Funktionen rund um die Abwicklung bereit. Die Geschäftsziele von C7 SCS sind:

• Schutz vor Kontrahentenrisiko.
• Reduzierung des externen Abwicklungsvolumens.
• Zentrales Risikomanagement.
• Anonymität nach dem Handel.
• Effizientes Fehlermanagement.

Technologien: Java 17, Spring Boot 3, Microservices (REST API), Spring Data JPA/Hibernate, Sonar Qube, Fortify Findings, Mockito, Jenkins, Docker RHEL-OpenShift, Maven, Podman, GitHub, JIRA, WIKI, Liquibase, Swagger API, AMQP, Apache Camel, GCP-Machine-Infrastruktur-Setup, Terraform, PostgreSQL, React.js, Instana, Graylog, Daisy LLM Usage, GitHub Copilot.

Rollen und Verantwortlichkeiten:

• SOLID-Designprinzipien für die Microservice-Implementierung befolgt.
• Code geprüft und bei Bedarf refaktoriert, immer im Einklang mit Best Practices, Barrierefreiheit, Sicherheit, Qualität und Performance.
• Anwendungen mit Build-Tools wie Maven und Continuous Integration mit Jenkins entwickelt.
• Den CI/CD-Prozess eingehalten und sichergestellt, dass der entwickelte Code die Sonar-Qube-Qualitätsgate-Standards erfüllt.
• Das DBAG Artifactory Repository Manager für aktuelle Anwendungs-Images, Versionen und JAR-Dateien verwendet.
• Die Microservices mit dem Containersystem Podman und Container-Orchestrierungstools wie OpenShift bereitgestellt.
• Liquibase für die Datenbank-Versionskontrolle verwendet.
• Die Anwendungsleistung durch Optimierung von Java-Code und den Einsatz effizienter Algorithmen verbessert.
• Erfahrung darin, bekannte CVEs in Drittanbieter-Bibliotheken mit SCA-Tools zu identifizieren und zu beheben, um sichere und konforme Komponenten für Clearing-Services zu gewährleisten. Probleme in SCS-Komponenten behoben.
• Erfahrung in der Behebung von Sicherheitslücken, einschließlich dem Erkennen von Schwachstellen, Priorisieren von Risiken und Umsetzen wirksamer Fixes zur Stärkung des SCS-Systems.
• mTLS für die Datenbankauthentifizierung und Broker-Setups aktiviert, um verschlüsselte, zertifikatsgeprüfte Kommunikation durchzusetzen.

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcenbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung im Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse und Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST-API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit lokalen und entfernten LLMs (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

• Anpassung, Optimierung, Konfiguration und Administration einer Multi Stage GitLab Instanz mit über 250 Usern
• Aufbau, Anpassung, Erweiterung und Optimierung von Infrastruktur, Konfiguration und Monitoring
• Bereitstellung von Services sowie Übergabe an Produktion
• Systemumgebung: DependencyTrack, GitLab, Grafana, Hedgedoc, Kubernetes, Oauth2 Proxy, Openstack, Prometheus, Syseleven

• In dieser Rolle war ich als Lead Software Engineer für die Automatisierung verschiedener Fleischproduktionen verantwortlich.
• Mein Fokus lag auf der Entwicklung hochverfügbarer (High Availability) Systeme unter Verwendung von C/C++.
• Zudem habe ich die Container-Orchestrierung mittels Kubernetes implementiert und betreut, um einen reibungslosen und skalierbaren Produktionsbetrieb zu gewährleisten.

• Ermittlung von Anforderungen (rechtlich, organisatorisch und technisch)
• Entwurf von Lösungsarchitekturen
• Bewertung von Konzepten und Technologien
• Erstellung von Entscheidungsvorlagen
• Architekturelle Entscheidungsaufzeichnungen (ADR)
• Koordination der Umsetzung
• Überprüfung der Implementierungen
• Dokumentation

• Definition der Software-Architektur
• Konzeption und Entwicklung von Modulen
• Unterstützung interner Mitarbeiter beim Lern- und Einarbeitungsprozess
• Tools: SAP CAP / CDS, Java 21, SAP Hana, SAP Business Technology Platform (BTP)

• IaC & Automatisierung: Konzeption und automatisierte Bereitstellung von ca. 40 Linux-Servern und Cloud-Ressourcen über Terraform und Ansible (Reduzierung des manuellen Aufwands um über 80 %).
• Container-Orchestrierung: Aufbau und Betrieb von 2 produktiven Kubernetes-Clustern mit 70+ Docker-Containern zur Gewährleistung von Hochverfügbarkeit, Skalierbarkeit und Selbstheilung.
• CI/CD-Optimierung: Entwicklung und Wartung von 15+ CI/CD-Pipelines mit Jenkins und GitHub Actions (Verkürzung der Deployment-Zeiten von mehreren Stunden auf unter 15 Minuten).
• OS-Hardening & Betrieb: Automatisiertes Patch-Management, OS-Konfiguration und Sicherheits-Härtung für 40+ Linux-Server mittels Ansible zur Steigerung der Compliance.
• Monitoring & Alerting: Implementierung zentraler Überwachungs- und Alarmierungslösungen zur proaktiven Fehlererkennung und Minimierung von Systemausfallzeiten.
• Cross-Functional Collaboration: Teamübergreifende Zusammenarbeit (Dev, Ops, Security) zur Etablierung von DevOps-Best-Practices und Infrastructure-as-Code-Standards.

• Implementierung der spezifizierten DevOps-Lösungen zur Automatisierung der Infrastruktur (Terraform, Bicep, CloudFormation, Ansible) im lokalen Rechenzentrum (Ovirt, Proxmox, Ceph-Cluster, MinIO) und in der Private Cloud.
• Verwaltung, Konfiguration und Umsetzung von CI/CD-DevOps-Pipelines (GitLab, GitFlow) zur Unterstützung des Entwicklungsprozesses (Artifactory, Prometheus, Istio, Service Mesh, Helm Charts, OpenShift (Red Hat Enterprise) / Kubernetes-Cluster), Red Hat Satellite.
• Verwaltung, Einrichtung, Überwachung und Einspielung von Patches der Linux-Infrastruktur auf Basis von Red Hat Enterprise für Dev, Test und QA.
• Einsatz von Scrum- und Kanban-Methoden.
• Verwaltung, Konfiguration und Umsetzung von Sicherheitsstandards für die Bereitstellung in den Dev-, Test-, QA- und Produktionsphasen der neuen ePA-Anwendungen.
• Entwicklung neuer Plugins und Add-ons für die bestehende Infrastruktur.
• Datenbankunterstützung.
• Unterstützung der Datenanalyse (Python, Spark, Pandas, Power BI, Splunk Enterprise).
• Umsetzung von Best Practices für DevSecOps und BizDevOps unter Einsatz von GitOps (ArgoCD), Streamlit-Framework und Semaphore Ansible UI.
• Konfiguration und Test von iperf, uperf, sysbench mit dem Benchmark-Operator für externe Quelldaten und IoT/MDM-Geräte, Erstellung von Berichten über ELK/OpenSearch.
• Aufbau einer neuen Databricks-Plattform zur Sammlung und Analyse von Big Data aus verschiedenen Quellen und IoT-Geräten im Hadoop-Framework (Python, Pandas, PySpark, Power BI, Apache Airflow).
• Aufbau der Backend-Datenaggregation und -verarbeitung zur Automatisierung der Bereitstellung von Konfigurationen zwischen verschiedenen OpenShift-Clustern und dem Big-Data-Framework (Python, Pandas, PySpark, Apache Spark, PostgreSQL, Django 2, Ansible Automation, Jira JSM).
• Aufbau einer neuen ML-Pipeline-Plattform unter Verwendung von Kubeflow, TensorFlow, KServe.
• Extraktion, Transformation und Laden von Daten aus verschiedenen Quellen, einschließlich strukturierter und unstrukturierter Daten, in ein analytisches DWH bzw. Big-Data-Cluster mit Python, Pandas, Polars, Power BI, Django-Backend und PostgreSQL.
• Einrichtung eines neuen DevOps-Test- und QA-HashiCorp-Vault-Clusters für PKI und IAM.
• Konfiguration und Test automatisierter Patches basierend auf CVSS-Bewertungen und SIEM-integrierten CVEs.
• Einsatz von Nexpose und InsightVM zum Scannen von Schwachstellen in Netzwerken, Hosts, Containern und Anwendungen.
• Planung und Umsetzung sicherer und skalierbarer AWS-Architekturen einschließlich VPC, EC2, S3, RDS und Route53 sowie ähnlicher Umgebungen auf Azure und GCP.
• Automatisierte Systembereitstellung und -deployment mit CloudFormation-Vorlagen.
• Konfiguration von IAM-Rollen, Richtlinien und Berechtigungen zur Gewährleistung einer sicheren Zugriffskontrolle.
• Patch-Management, Backup-Automatisierung und Einrichtung der Notfallwiederherstellung in der AWS-Infrastruktur.
• Überwachung und Optimierung der Systemleistung mit AWS CloudWatch und AWS Trusted Advisor.
• Unterstützung von VMware-Diensten (vSphere, Aria, Horizon) und der virtuellen Desktop-Umgebung.
• Entwicklung und Wartung von CI/CD-Pipelines mit Jenkins, GitLab CI/CD und AWS CodePipeline mit Schnittstelle zu Nutanix.
• Konfiguration von AWS CloudWatch zur Überwachung der Anwendungsleistung und Systemereignisse.
• Planung und Durchführung der Migration von On-Premises-Anwendungen zu AWS-Cloud-Plattformen.
• Bereitstellung containerisierter Anwendungen mit Docker und Kubernetes in AWS-Umgebungen.
• Bereitstellung interner Softwarepakete zwischen Verfügbarkeitszonen mit AWS CodeDeploy.
• Erstellen und Bereitstellen von ML-Modellen mit Scikit-Learn, XGBoost und Spark MLlib einschließlich Hyperparameter-Tuning, Modellevaluation und Produktivsetzung.

• Technische Leitung und Architektur für Enterprise-Kunden (u.a. LR Health & Beauty, Deutsche Bahn, Trusted Shops)
• Cloud-Migration, Microservices-Architekturen, CI/CD-Optimierung

• Migration und Wartung eines Legacy-Systems auf die neueste Version von .NET für das Asset-Management-System
• Konzeption und Implementierung von Tests
• Erstellung von Deployment-Pipelines und Dokumentationen
• Weiterentwicklung und Umsetzung von Change-Requests
• Technologien: C#, ASP.NET, Unit of Work, IOC, Three-Tier-Architektur, Entity Framework Core, DB First, Web API, Swagger, Open API, Monolith, Python, Oracle, Azure DevOps, GIT, xUnit, NSubstitute
• Methoden: Agile Entwicklung nach Scrum