Finden Sie in wenigen Minuten den perfekten Operations Engineers in Deutschland aus über 15.000 Lebensläufen mit der Kraft von KI.

• Onboarding durchgeführt sowie eine umfassende Dokumentation und Systemanalyse erstellt, um die bestehende Dateninfrastruktur zu bewerten und eine schnelle Integration und Zusammenarbeit über die funktionalen Datenteams hinweg zu ermöglichen (Modellierung, Verarbeitung, Reporting).
• Gemeinsam die Architektur und Projektstruktur für ein zentrales Data-Pipeline-Repository definiert, einschließlich hierarchischer Standards, Wissensmanagement-Strategien und rollenbezogener Verantwortlichkeiten, was die Wartbarkeit und die Einarbeitung beschleunigt hat.
• Open-Source-Tools für Data Routing (Airbyte, Apache NiFi, Dragster) für Ingest- und Sync-Anforderungen in der Retail-Analyse bewertet und validiert, inklusive lokalem Benchmarking und Tests von Fehlerzuständen.
• Das Design und den Rollout von Airbyte in Kubernetes geleitet, individuelle Helm-Charts erstellt, den Umgang mit Secrets abgesichert und Ingress mit TLS sowie internem DNS-Routing konfiguriert, sodass API und UI vollständig erreichbar waren.
• Probleme mit dem Ingress-Controller analysiert und behoben, dabei mehrere Debugging- und Testphasen durchlaufen und die Einrichtung sowie die Replikationsschritte für die skalierbare Wiederverwendung dokumentiert.
• Datenmodelle an den ARTS-Standard angepasst, die Schema-Abstimmung für ERP- und Reporting-Anwendungsfälle unterstützt und Review-Schleifen koordiniert, um die zukünftige Datenverarbeitungslogik abzustimmen.
• Strategische One-Pager zu MinIO, Pub/Sub und Routing-Architekturen erstellt und damit technische Orientierung für Architekturentscheidungen und Investitionsplanung geliefert.
• Sicheren Zugriff und Authentifizierungsmechanismen ermöglicht, einschließlich erster Bewertung für die SAML-Integration, Prüfungen auf Cluster-Ebene und Verbesserungen bei Service-Annotierungen.

• 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

• 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).

• 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.

• 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.

• Fördert kontinuierliche Integration und Bereitstellung (CI/CD) durch Anwendung von DevOps-Prinzipien, um Entwicklungs- und Betriebsprozesse zu beschleunigen und zu automatisieren.
• Unterstützt praktisch bei der Implementierung und Bereitstellung von IaC mit Bicep.
• Verwaltet und optimiert Cloud-Infrastruktur auf Microsoft Azure, wobei Skalierbarkeit, Verfügbarkeit und Effizienz sichergestellt werden.
• Implementiert und überwacht umfassende Sicherheitsmaßnahmen, insbesondere in den Bereichen Netzwerk- und Datensicherheit, zum Schutz von Systemen und Daten.
• Verwaltet und betreibt Kubernetes-Cluster, um eine effiziente Orchestrierung und Skalierung containerisierter Anwendungen zu ermöglichen.

• Bootstrapping eines CloudOps-Teams und Aufbau eines Multi-Cloud Provider-Backends für eine Low-Code Internal Developer Platform (IDP) mit env zero

• Einführung von User Story Mapping, ADRs, Meilensteinen und Backlog-Management

• Konzeption und Entwicklung der Kern-APIs, Setup von CI/CD-Pipelines, OpenTofu/Terraform-Skripte

• Vertretung und Kommunikation des Teams bei Third-Party Stakeholdern (z. B. env zero)

• (Cross-)Team-Coaching zu DevOps, Softwaredesign, Terraform, Golang und Agilen Methoden

• Bereitstellung von Kubernetes-Infrastruktur auf Azure, GCP oder Bare-Metal beim Hosting-Provider
• Konzeption und Implementierung von REST- und GraphQL-APIs
• Cloud-Governance (Kosten, Compliance, Sicherheit)
• Infrastructure-as-Code und CI/CD als Code (Terraform, Ansible)
• Container-Technologien (Docker, Helm)
• Pflege und Verbesserung von CI/CD-Pipelines (GitLab CI, GitHub Actions), Argo CD
• Deployment, Skalierung und Monitoring von Microservices
• Verteiltes Event-Streaming (Kafka)
• Message Broker RabbitMQ, MQTT
• Softwareentwicklung von Grund auf oder Weiterentwicklung bestehender Projekte mit PHP, Python, Go, C# und Bash

• Entwicklung einer Anwendung zur Prozessoptimierung im produktiven Betrieb in einer luft- und netzisolierten Umgebung
• Anbindung von vier verschiedenen Systemen mit Schnittstellen: REST, SMEMA, MQTT, COM
• Technologien: Linux, On-Prem, Docker, Python, Bash-Skripting

• 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

• Erweiterung von OSGi-Modulen in einer komplexen Kommunikationslösung
• Debugging der Kommunikation mit Wireshark und Remote in der Testumgebung JENS
• Migration der Tests von TestNG nach JUnit 5 mit Mockito und AssertJ
• Aktualisierung verwundbarer Abhängigkeiten und Verbesserung der Code-Qualität
• Änderungen am Vaadin-Frontend
• Erhöhung der Testabdeckung