Generative-AI-Ingenieuren in Berlin

• Analyse der Ursachen komplexer fachlicher, technischer und datenbezogener Fehler in PowerCloud über Prozess-, Buchungs- und Systemgrenzen hinweg.
• Ermittlung von Automatisierungs- und Dunkelverarbeitungspotenzialen an der Schnittstelle zwischen Fachbereich, IT und externen Dienstleistern.

Aufbau und Skalierung einer hochperformanten Unternehmens-API für Echtzeit-Adressvalidierung und Datenqualität mit Subsekunden-Latenz und 99,9 % Verfügbarkeit.

Architektur und Integration in E-Commerce-, Checkout- und Logistikprozesse führender europäischer Unternehmen. Reduzierung von Zustellfehlern und Versandkosten durch automatisierte Datenkorrektur und präzise Datenvalidierung.

End-to-End-Verantwortung für Produktstrategie, technische Architektur, Softwareentwicklung, Unternehmenskunden, Betrieb und DSGVO-konforme Datenverarbeitung. Verbindung von KI-nativen Entwicklungs-Workflows, Python, SQL, API-Integration, Datenqualität und Workflow-Automatisierung.

Das MiDAS-Programm hat das Ziel, Generative KI in der gesamten BBM-Organisation zu integrieren. Meine Aufgabe ist es, die eBike-Sparte dabei zu unterstützen, Generative KI einzuführen und zu nutzen, indem ich eng mit dem MiDAS-Team in Indien zusammenarbeite.

Management:

• Die eBike-Sparte dabei unterstützen, GenAI mit passenden Lösungen einzuführen.
• Mit dem MiDAS-Team in Indien zusammenarbeiten, um Lösungen für Generative-KI-Anwendungsfälle zu entwickeln, die speziell für die eBike-Sparte relevant sind.
• Mit den eBike-Teams koordinieren, um GenAI-Systeme, Tools, Plugins und Services zu integrieren, die vom MiDAS-Team bereitgestellt werden.
• Roadmaps mit den Product Managern der eBike- und MiDAS-India-Teams planen, um Generative-KI-Lösungen bereitzustellen und zu integrieren.

• ▶ Echtzeit-Sprachassistenten entwickelt (STT → LLM → TTS-Pipeline), mehrere STT-Anbieter einschließlich faster-whisper und Azure Speech getestet und bewertet. Latenz von unter 3 Sekunden erreicht, Groq API (Llama 3) mit Multi-Turn-Speicher eingesetzt – einschließlich direkter Behandlung von Sonderfällen bei Diktaten sowie der Erkennung von Namen und Zugangscodes.

• 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.

• Entwicklung einer KI-gestützten (LLM-basierten) Anwendung, um das Chaos bei der Jobsuche mit GenAI-Tools wie Lovable & Gemini zu beseitigen
• Derzeit in der Alpha-Phase mit einer Gruppe von 10 Nutzern, um Nutzerfeedback für erste Iterationen an Funktionen, UX und LLM-Prompts zu sammeln

CRM- und Umsatzplattform zur Verwaltung von Abrechnungs- und Abonnement-Workflows.

• Skalierte die Zahlungsinfrastruktur über Datenprodukte, den Ausbau von Lastschriftzahlungen und die automatisierte Missbrauchsprävention. Dadurch wurden $416K jährliche operative Einsparungen ($8K/Woche) erzielt, indem redundante Gateway-Aufrufe eliminiert wurden.
• Verantwortete Backlog und Sprint-Umsetzung für autonome Pipelines zur Erkennung von Checkout-Missbrauch und entwickelte Echtzeit-Risikoleitplanken sowie Geschwindigkeitsheuristiken, die Card-Testing-Angriffe blockierten.
• Entwickelte User Stories und Datenabgleichsmechanismen für einen Enterprise-Abrechnungsmigrator. Dadurch wurden unterbrechungsfreie Übergänge von Abonnementstatus erreicht und $60K Infrastrukturkosten eingespart.
• Erweiterte die europäischen Lastschriftfunktionen (SEPA), steuerte squadübergreifende API-Abhängigkeiten und automatisierte die Fehlerbehandlung von Webhooks, um Reibungsverluste im Checkout zu vermeiden.

Ich setze mit einem 8-köpfigen Team parallel zwei große, komplexe strategische Vorhaben um – OCFA (Plattformmigration und Konsolidierung des Warenkorb- und Checkout-Backends) und Conrad PRO (ein neues kostenpflichtiges Treue- und Mitgliedschaftsprogramm). Agentische KI-Entwicklung ist dabei die Standardarbeitsweise des Teams und kein Experiment nebenbei. Ich lege die technische Ausrichtung, Engineering-Standards und Qualitätskontrollen für beide Vorhaben fest und arbeite durchgehend selbst am Code.

Agentische Entwicklung als Auslieferungsmodell:

Ich führte die LLM-basierte Entwicklung (Claude Code, Gemini) als zentralen Team-Workflow ein und entwickelte die dafür nötigen Agenten-Tools – benutzerdefinierte Claude Code Skills mit den Coding-Standards des Teams, damit generierter Code diesen Standards entspricht, Multi-Agent-Sub-Agents für Code-Reviews und den Abgleich mit dem bisherigen System sowie einen geplanten Diff-Monitoring-Prozess, der Änderungen im Altsystem überwacht. Die CI-Build-Zeit sank um ~36%, und das Team lieferte dauerhaft etwa zwei Änderungen für den Produktivbetrieb pro Tag aus: 38 Tickets für Abgleich und Funktionen wurden in einem repräsentativen Zeitraum von vier Wochen über 39 geprüfte und zusammengeführte MRs abgeschlossen.

Verantwortung für die Qualität von KI-Ergebnissen:

Jede agentengenerierte Änderung durchlief dieselben Qualitätskontrollen wie jede andere – automatisierte Tests, Abgleich mit dem bisherigen System und SonarQube – sowie ein menschliches Review vor dem Zusammenführen. Die Agenten sorgten für mehr Tempo; für alles, was ausgeliefert wurde, blieb das Team verantwortlich.

Java-Backend & Migration mit Abgleich zum Altsystem:

Java 25 und Spring Boot 4 mit Spring Modulith, aufgebaut nach den Prinzipien der hexagonalen Architektur und DDD. Ich legte die Strategie für Shadow Testing fest, um die Übereinstimmung mit dem Altsystem sicherzustellen – einschließlich der Analyse undokumentierter Schnittstellenverträge des Altsystems und der Prüfung anhand realer Produktionsdaten – bis zur Bereitschaft für den Shadow-Abgleich vor der ersten Live-Umstellung eines Landes (Niederlande).

Unternehmensintegration:

Ich integrierte nachgelagerte Systeme (SAP, Zahlung, Preise/Angebote, Shop-Konfiguration) über Contract-First OpenAPI und Outbound-Adapter. Für asynchrone Nachrichtenverarbeitung kamen Kafka und Pub/Sub zum Einsatz.

Technologien: Java 25, Spring Boot 4, Spring Modulith, Hexagonal Architecture / DDD, Contract-First OpenAPI, Kafka, GCP Pub/Sub, SAP-Integration, PostgreSQL, GitLab CI/CD, SonarQube, Claude Code, Gemini

• Hybride semantische und schlüsselwortbasierte Suche sowie LLM-basierte Anforderungs­extraktion aus Konversationsanfragen entwickelt, die Suchgenauigkeit um 85 % gesteigert, Suchen ohne Treffer um 70 % und die Suchzeit um 60 % reduziert.
• Produktionsreife API mit Monitoring-Dashboards für über 100.000 Produkte bereitgestellt, Antwortzeiten unter 2 s gehalten und die Zeit von Suche bis Kauf um 40 % verkürzt.
• Technologien: Python, BGE-M3, Qwen2.5, FastAPI, Qdrant, Meilisearch, Docker, Prometheus, vLLM.

Enterprise-Kategorisierung von KI-Inhalten und KI-gestützte Webrecherche.

• Multi-LLM-Evaluierungsframework mit annotierten Daten entwickelt
• LLM-Fehlerraten auf Grundlage annotierter Datensätze iterativ verbessert
• KI-gestützte Webrecherche-Pipeline implementiert Technologien: LLM, evals, OpenRouter, Python, Node.js, TypeScript, React