MLOps-Ingenieure in Deutschland
aus über 15.000 Lebensläufen – mit der Power von KI.Setze deine Machine-Learning-Modelle ein, überwache sie und skaliere sie mit Spezialisten für Kubeflow, MLflow und AWS. Unsere KI-Plattform findet für dich geprüfte, verfügbare freiberufliche MLOps-Experten, passend zu deiner Infrastruktur.
Lerne FRATCH MLOps-Ingenieure in Deutschland kennen
Deepak M.
Letzte Position:
Lead ML Platform Engineer bei Billie GmbH
- 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
Thomas H.
Letzte Position:
Senior MLOps-, DevOps Engineer bei Trianel Energy
- 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 Ressourcbereitstellung (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 in der 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, 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 die 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 remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
- Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).
Serge K.
Letzte Position:
MLOps (machine learning operations) bei REWE Digital GmbH
- Es ist wie ein Start-up innerhalb von REWE, wo wir ein neues Forecasting-System auf der Google Cloud Platform von Grund auf aufbauen müssen. Offiziell heißt meine Rolle zwar MLOps, aber zu meinen tatsächlichen Aufgaben gehören auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und Aufgaben von Data Scientists wie Feature Engineering und Modelltraining.
- GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
- Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT für die Umsetzung von Datenmodellen
- CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert
Fahad R.
Letzte Position:
Data Science – Operationsoptimierung bei Netto-marken
Projekt: Digitalisierung von Lagerprozessen | Aufbau einer Data-Analytics-Plattform.
- Entwickelte ein webbasiertes System zur Einsatzplanung, das die tägliche Schichtplanung digitalisierte, indem es Mitarbeitenden-Know-how passenden Lagerbereichen zuordnete. Dadurch wurde die manuelle Abstimmung durch einen strukturierten Workflow ersetzt, der im ganzen Standort genutzt wurde und den Führungskräften Zeit bei der täglichen Planung sparte.
- Entwickelte ein Dashboard für die operative Echtzeitübersicht, das Führungskräften den aktuellen Durchsatz der Aufgaben und die offene Arbeitslast in den Lagerbereichen über den Tag hinweg live anzeigte und so half, Überstunden und Leerlaufkosten zu senken.
- Entwickelte eine Optimierungslösung für das Slotting, um die Effizienz beim Kommissionieren zu verbessern und die Kommissionierzeit pro Bestellung zu senken, in enger Zusammenarbeit mit den Operations-Teams vom Konzept bis zum produktiven Einsatz.
Verwendete Technologien: Python, Django, PostgreSQL, Pandas, NumPy, HTML, Java, JavaScript, Docker, Kubernetes, AWS, Power BI, GitHub Actions CI/CD, GitOps, Claude, OpenAI
Rohit T.
Letzte Position:
Senior Software Engineer bei KRiAN GmbH
Kunden: CARIAD, AUDI AG
- Aufbau und Bereitstellung von Enterprise-MLOps-Pipelines mit Azure Machine Learning und Databricks. Reduzierte die Release-Zyklen für Modelle um 95 Prozent, von vier Wochen auf zwei Tage, durch automatisierte CI/CD-Workflows.
- Auslieferung von cloudnativen DevOps-Plattformen für ADAS-Programme mit Azure-Datendiensten, Kubernetes und Terraform-basierter Infrastrukturbereitstellung.
- Entwurf von High-Availability-Architekturen mit automatischem Failover. Senkte die Systemausfallzeit um 85 Prozent für geschäftskritische Energy-Trading-Plattformen.
- Entwicklung und Integration von KI-Agents und Enterprise-Chatbots mit LangChain, AutoGPT und GPT-Modellen. Ermöglichte autonome Workflows und automatisierte Abläufe auf Basis von Entscheidungen.
- Reduzierung der Cloud-Infrastrukturkosten um 40 Prozent durch Autoscaling-Strategien, Nutzung von Spot-Instanzen und richtliniengesteuerte Ressourcenverwaltung über Azure und AWS hinweg.
- Zusammenarbeit mit Data Scientists, ML Engineers, Produktmanagern und Führungskräften, um groß angelegte Lösungen für Automotive und Energie zu liefern.
- Implementierung von GitOps-gesteuerten CI/CD-Pipelines für die Softwareauslieferung im Automotive-Bereich für über 500 Ingenieure in verteilten Produktteams.
- Entwurf und Betrieb von Kubernetes-Plattformen auf Azure AKS. Verbesserte die Bereitungsstabilität und reduzierte Rollback-Vorfälle um 70 Prozent.
- Implementierung von Observability- und Monitoring-Stacks mit Prometheus, Grafana und Azure Monitor. Erreichte 99,9 Prozent Serviceverfügbarkeit.
Julien L.
Letzte Position:
MLOps-Ingenieur bei SAMGEN
- Aufbau und Skalierung von Cloud-Infrastruktur auf GCP zur Unterstützung einer SaaS-Plattform für Industriekunden
- Entwurf und Implementierung einer datengetriebenen DevOps-Pipeline für optimierte Deployments und CI/CD-Workflows
- Zusammenarbeit mit dem Data-Science-Team am MLOps-Workflow zur Automatisierung des integrierten Retrainings
Daryoosh D.
Letzte Position:
Data Analyst & MLOps-Engineer bei CEWE Group
Aufbau und Betrieb datengetriebener Analyse- und Reportingprozesse in Power BI, Tableau und SAP
Integration von SAP FICO- und Workday-Daten in Power Platform Workflows zur Automatisierung von HR-Reports
Entwicklung prädiktiver ML-Modelle zur Personalbedarfsplanung und KPI-Steuerung
Nutzung von Azure und GCP (BigQuery, Dataflow) zur Verarbeitung großer Datenmengen (Big Data Pipelines)
Automatisiertes Reporting steigerte Analyseeffizienz um +40 %
Einführung eines GCP-gestützten Analysemodells zur Mitarbeiterfluktuation
Gyan P.
Letzte Position:
Senior DevOps- und Cloud-Architekt bei Bosch
- Architektur und Betrieb cloudbasierter Daten- und ML-Plattformen für autonomes Fahren und Parksysteme, die großangelegte (mehrere PB) Simulationen und Fahrzeugdaten-Ingestion unterstützen.
- Implementierung von Sicherheits-, Compliance- und Governance-Standards in Azure-Abonnements und Cloud-Ressourcen.
- Verwaltung von GitHub-Organisationen und CI/CD-Pipelines zur Verbesserung der Bereitstellungszuverlässigkeit und Entwicklerproduktivität.
- Mitwirkung bei der Einstellung und technischen Interviews als Teil des Recruiting-Teams.
Michael Y.
Letzte Position:
Senior Berater, Senior DevOps-Ingenieur bei DB Regio AG
- Unterstützung bei Implementierung und Betrieb eines Portals, das online und offline in Fahrzeugen mit direktem Kundenkontakt genutzt wird
- Automatisierung durch Einführung von CI/CD-Pipelines
- Befähigung und methodische Beratung bei der Einführung von Best Practices im Software Engineering
- Systemumgebung: NestJS, NodeJS, NPM, AWS, Docker, Docker Swarm, GitLab CI, WhiteSource, PostgreSQL, Prometheus, Grafana, OpenSearch, REST-API
André G.
Letzte Position:
Schaumann GmbH
- Vollständige Konzeption, Design, Implementierung und Betrieb eines Sprach-Chatbots
- Evaluation verschiedener Realisierungskonzepte (STT, TTS, Speech-to-Speech)
- Integration in Telefonplattformen
- Implementierung von Dashboards und KPIs
- Definition und Abstimmung der Kundenanforderungen
- Eingesetzte Technologien: FastAPI, Deepgram, Elevenlabs, LangChain, LangGraph, GitHub Actions, Streamlit, Vonage
Entdecke mehr als 15.000 Top-Freelancer
MLOps-Ingenieure – Statistiken
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
14 Jahre
Positionsdauer
2 Jahre
Positionen pro Freelancer
9
Häufigste Fachbereiche
Informationstechnologie (IT), Business Intelligence, Produktentwicklung
Häufigste Branchen
Informationstechnologie (IT), Einzelhandel, Bank- und Finanzwesen
Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Personalwesen
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
63%
Doktortitel
25%
Zertifizierungen pro Freelancer
2
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
100%
Basierend auf unserem Profilpool, Stand 19 Sep 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Rolle in Deutschland verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, wie viele Freelancer innerhalb dieser Spanne abrechnen.
Durchschnittssätze für MLOps-Ingenieure in Deutschland
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
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 19 Sep 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der MLOps-Ingenieure Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (80%)
- Einzelhandel (60%)
- Bank- und Finanzwesen (50%)
- Automotive (40%)
- Energie (40%)
- Bildung (30%)
- Versicherung (30%)
- Transport und Logistik (30%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Rolle
Die Brücke zwischen Data Science und IT-Betrieb schlagen
MLOps-Ingenieure vereinfachen den Lebenszyklus von Machine-Learning-Modellen, indem sie Entwicklung und Produktionsumgebungen verbinden. Sie automatisieren das Ausrollen von Modellen, richten Continuous-Integration- und Continuous-Delivery-Pipelines ein und setzen robuste Überwachungssysteme auf, um Modellleistung und Data Drift zu verfolgen. So laufen Machine-Learning-Algorithmen zuverlässig, skalieren effizient und liefern fortlaufend geschäftlichen Nutzen, ohne manuelle Eingriffe.
Zentrale Aufgaben und Ergebnisse
Unsere freiberuflichen Spezialisten steuern den gesamten operativen Workflow von Machine-Learning-Systemen. Sie entwerfen und pflegen die Infrastruktur, die automatisierte Trainings- und Deployment-Zyklen unterstützt. Typische Ergebnisse sind:
- Automatisierte CI/CD-Pipelines für Machine-Learning-Modelle
- Modellüberwachung und Alarmsysteme zur Erkennung von Data Drift
- Skalierbare containerisierte Infrastruktur mit Kubernetes
- Feature Stores und Orchestrierung von Datenpipelines
- Versionskontrollsysteme für Datensätze und Modell-Artefakte
Wichtige technische Expertise
Ein erfahrener Engineer für Machine-Learning-Operations verfügt über tiefes Know-how in Cloud-Plattformen wie AWS, Google Cloud oder Azure sowie in Container-Orchestrierungstools wie Kubernetes und Docker. Er oder sie arbeitet sehr sicher mit MLOps-Frameworks wie Kubeflow, MLflow und Triton Inference Server. In Deutschland sind diese Fachleute häufig dafür zuständig, Modelle in hochsicheren, DSGVO-konformen Private-Cloud-Umgebungen bereitzustellen, was ein solides Verständnis von Datensouveränität und strengen Sicherheitsstandards erfordert.
Wann sollte man einen freiberuflichen MLOps-Spezialisten beauftragen?
Unternehmen beauftragen freiberufliche MLOps-Profis, wenn sie von experimenteller Data Science zu produktionsreifen KI-Systemen übergehen. Das ist besonders in Deutschlands starken Branchen wie Automobil, Produktion und Finanzwesen üblich, wo das Skalieren von KI-Anwendungen spezielles Wissen über Infrastruktur erfordert. Ein externer Experte hilft Organisationen dabei, schnell stabile Deployment-Pipelines aufzubauen, interne Teams in Best Practices zu schulen und die Time-to-Market zu verkürzen, ohne sich in der ersten Einführungsphase auf eine Festanstellung festlegen zu müssen.
Häufig gestellte Fragen
Was Kunden uns zu MLOps-Ingenieure am häufigsten fragen – kurz beantwortet.
Ein MLOps-Ingenieur ist dafür verantwortlich, Machine-Learning-Modelle zu automatisieren und produktionsreif zu machen. Er oder sie schlägt die Brücke zwischen Data Scientists und DevOps-Teams, indem Pipelines gebaut werden, die Training, Deployment und Überwachung von Modellen automatisieren. Die Arbeit sorgt dafür, dass KI-Anwendungen über die Zeit stabil, skalierbar und präzise bleiben.
Während sich ein Data Scientist auf das Erstellen, Trainieren und Optimieren von Machine-Learning-Modellen konzentriert, fokussiert sich ein Machine-Learning-Operations-Ingenieur auf das Bereitstellen, Skalieren und Warten dieser Modelle in der Produktion. Data Scientists arbeiten mit Daten und Algorithmen, um Geschäftsprobleme zu lösen, während MLOps-Spezialisten die Infrastruktur und automatisierten Pipelines aufbauen, damit diese Modelle zuverlässig in großem Maßstab laufen.
Ein erfahrener ML-Plattform-Ingenieur arbeitet typischerweise mit Container-Technologien wie Docker und Kubernetes sowie mit Orchestrierungstools wie Kubeflow, Prefect oder Apache Airflow. Außerdem nutzt er Modell-Tracking-Frameworks wie MLflow oder DVC und Cloud-Dienste von AWS, Azure oder Google Cloud. Versionskontrolle und CI/CD-Tools wie Git, GitLab CI oder GitHub Actions sind ebenfalls ein fester Bestandteil der täglichen Arbeit.
Die Beauftragung eines freiberuflichen MLOps-Spezialisten ermöglicht es Ihrem Unternehmen, sofort auf spezielles Infrastruktur-Know-how zuzugreifen, um Ihre Deployment-Pipeline einzurichten. Das ist ideal für kurz- bis mittelfristige Projekte, etwa wenn Modelle in die Cloud migriert oder erste CI/CD-Workflows aufgebaut werden sollen. So vermeiden Sie die langen Einstellungszyklen der Festanstellung und gewinnen Flexibilität, wenn Ihr Unternehmen seine KI-Initiativen ausbaut.
Ja, ein freiberuflicher ML-Infrastruktur-Ingenieur kann gut vollständig remote arbeiten, da die meisten Aufgaben Cloud-Infrastruktur, Automatisierungsskripte und Software-Pipelines betreffen. Wichtig ist jedoch die Abstimmung zu Sicherheitsrichtlinien, besonders in Bezug auf DSGVO-Konformität und den Umgang mit Daten in Deutschland. Regelmäßige Videokonferenzen und strukturierte asynchrone Kommunikation sorgen für eine reibungslose Zusammenarbeit mit Ihren internen Data-Science- und DevOps-Teams.
Achten Sie auf einen MLOps-Entwickler mit starkem Hintergrund in Software Engineering oder DevOps und einem soliden Verständnis von Machine-Learning-Konzepten. Er oder sie sollte nachweisen können, dass reale Modelle erfolgreich in Produktionsumgebungen ausgerollt und in großem Maßstab betreut wurden. Erfahrung mit Zertifizierungen in Cloud-Architektur oder tiefes Kubernetes-Know-how sind oft ein starkes Zeichen für technische Kompetenz.
Ein qualifizierter Spezialist für Machine-Learning-Operations sorgt für Sicherheit, indem er rollenbasierte Zugriffsrechte einführt, Daten im Ruhezustand und bei der Übertragung verschlüsselt und sichere API-Endpunkte einrichtet. In Deutschland achten sie besonders auf DSGVO-Anforderungen, indem sie sicherstellen, dass Trainingsdaten korrekt anonymisiert und in zulässigen geografischen Regionen gespeichert werden. Außerdem richten sie Audit-Logs ein, um Modellentscheidungen und die Datenherkunft nachzuvollziehen.
Ihr Unternehmen braucht wahrscheinlich einen freiberuflichen DevOps-Ingenieur für ML, wenn Ihre Data Scientists zu viel Zeit damit verbringen, Modelle manuell bereitzustellen oder Infrastrukturprobleme zu beheben. Weitere klare Anzeichen sind Modelle, die in der Produktion an Skalierungsgrenzen scheitern, fehlendes Tracking von Modellversionen oder die Unfähigkeit zu erkennen, wenn die Modellgenauigkeit im Laufe der Zeit nachlässt.
Der durchschnittliche Stundensatz für MLOps-Ingenieure in Deutschland liegt bei 93 €, was einem Tagessatz von etwa 741 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern, die als MLOps-Ingenieure in Deutschland arbeiten, haben 100% mindestens einen Bachelor-Abschluss, 63% mindestens einen Master-Abschluss und 25% einen Doktortitel.
Freelancer, die als MLOps-Ingenieure in Deutschland arbeiten, haben im Durchschnitt 14 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2 Jahre.
Die häufigsten Sprachen unter Freelancern, die als MLOps-Ingenieure in Deutschland arbeiten, sind Deutsch (100%), Englisch (100%) und Französisch (40%).
Die häufigsten Industrien unter Freelancern, die als MLOps-Ingenieure in Deutschland arbeiten, sind Informationstechnologie (IT) (80%), Einzelhandel (60%) und Bank- und Finanzwesen (50%).
Die häufigsten Bereiche unter Freelancern, die als MLOps-Ingenieure in Deutschland arbeiten, sind Informationstechnologie (IT) (100%), Business Intelligence (80%) und Produktentwicklung (80%).
FRATCH MLOps-Ingenieure Hauptstandorte
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Berlin Hamburg München Köln Frankfurt Stuttgart Düsseldorf Leipzig Dortmund Essen Bremen Dresden Hannover Nürnberg Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!
Philipp Thomaschewski
FRATCH CEO
