
Amazon ECR Experten in Deutschland
auf, in wenigen Minuten aus über 15.000 Lebensläufen vermitteltBeauftragen Sie Experten, die private und öffentliche Container-Repositorys verwalten, Amazon ECR mit Amazon ECS oder Amazon EKS verbinden und das Scannen von Images sowie Release-Workflows automatisieren. FRATCH vermittelt Ihnen schnell geprüfte, verfügbare Freelancer, die zu Ihren technischen Anforderungen passen.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Amazon ECR eingesetzt haben
Vasco F.
Letzte Position:
Senior AI-Ingenieur (Freiberuflich) bei RWE
Databricks-Architektur & KI-Datenprodukte [Databricks Apps · Unity Catalog · Delta Lake · Lakebase · Asset Bundles · Azure DevOps · MCP]
- Entwarf eine mehrschichtige Databricks-Finanzdatenarchitektur: Apps/FastAPI für die Bereitstellung, modulare Python-Berechnungsengines, SQL/Delta für kontrollierte Analysen und Unity Catalog Volumes für versionierte Workbook-Ausgaben.
- Integrierte operative Daten aus Lakebase PostgreSQL mit Analysen im SQL Warehouse und hielt transaktionale und analytische Zugriffe durch die App-Service-Principal-Identität, kurzlebige Zugangsdaten und kontrollierte, schreibgeschützte Datenschnittstellen getrennt.
- Definierte eine DEV/TST/PRD-Bereitstellungsarchitektur mit Databricks Asset Bundles und automatisierter Azure DevOps CI/CD, einschließlich wiederverwendbarer Umgebungskonfigurationen, OAuth-M2M-Identitäten und automatisierter Verwaltung des Lebenszyklus von Anwendungen und Ressourcen.
- Entwarf Zugriffsgrenzen für Apps, SQL Warehouses, Unity-Catalog-Tabellen/Funktionen/Volumes und Secret Scopes. Trennte Deployment-, Anwendungs- und SQL-Identitäten durch deklarative Ressourcenberechtigungen und umgebungsspezifische Authentifizierung.
- Entwickelte serverlose Spark-Pipelines für Geodaten und eine nachvollziehbare Speicherarchitektur, die unveränderliche Volume-Artefakte, Revisionsverläufe und eine nur ergänzbare Delta-Historie mit dauerhaft gespeicherter Audit-Ereignisübermittlung verbindet.
- Verknüpfte AI-Hub-Agenten über typisierte REST/MCP-Schnittstellen mit kontrollierten Databricks-Finanz-Workflows. Implementierte CAPEX/OPEX-, Commercial-, Lease- und IRR/NPV-Engines mit Szenariovalidierung und Konsistenzprüfungen für Workbooks.
Elmehdi D.
Letzte Position:
Senior DevOps-Ingenieur bei Amber Tech GmbH
- Automatisierte Kubernetes-Deployments in über 400 Kunden-Zielumgebungen (Rancher/RKE2) mit versionierten Helm-Charts und Argo-CD-ApplicationSets für die täglichen Releases.
- Kunden-Onboarding als Self-Service auf Basis versionierter Runbooks, von Tagen auf Stunden verkürzt; Abstimmung mit den IT-Teams der Kunden (AD/LDAP, SMB/DFS, Netzwerk).
- Migration ausgewählter Services nach AWS parallel zur Open-Telekom-Cloud-Plattform: Provisionierung von VPC, EC2 und IAM-Rollen mit Least-Privilege-Policies per Terraform; Betrieb der Workloads auf EC2.
- Keycloak-Realms und OIDC/SAML-Clients für Produkt-SSO, föderiert mit dem Active Directory der Kunden.
- Mandantenspezifische strongSwan-IPsec-Sidecars auf Kubernetes statt zentraler Transit-VM, Schlüssel in HashiCorp Vault: ca. 80 % geringere Konnektivitätskosten, DFS-Indexierung über den Tunnel.
- Konzeption der hochverfügbaren Migration der Redis-Landschaft auf verwaltetes OTC DCS; Alerting und Rufbereitschaft mit incident.io nach Schweregrad, schnellere Grafana-Abfragen und -Indexierung.
Caleb C.
Letzte Position:
Senior Python-Backend-Engineer bei Simon-Kucher
Übertragungsnetzbetreiber – Plattform zur Netzwerkbereitstellung (Teamleitung)
- Entwarf den Saga-Orchestrator in Python, der Netzwerkstrukturen mit Rollback bereitstellt.
- Gliederte IP, Identität und Ressourcenverteilung in Bounded Contexts mit eigenen Datenbanken und typisierten Clients auf.
- Implementierte den Datenzugriff mit DDD-Repositories und Units of Work, ohne SQL im Domänencode.
- Führte Integrationstests mit echten PostgreSQL- und RabbitMQ-Containern sowie API-Fuzzing für jeden Service ein.
- Führte einen Agenten-Workflow ein, bei dem jede Änderung mit einer Spezifikation beginnt und ein Mensch jeden Merge freigibt.
- Rollte die automatische OpenTelemetry-Instrumentierung per GitOps über achtzehn Kubernetes-Cluster aus.
- Leitete die Reaktion auf Vorfälle bei festgefahrener Bereitstellung und hielt jeden Ausfall in einem Post-Mortem fest.
Verwendete Sprachen und Software: Python, FastAPI, Pydantic v2, SQLAlchemy async, PostgreSQL, RabbitMQ, Celery, pytest, testcontainers, schemathesis, Helm, Flux CD, GitLab CI, OpenTelemetry, pi coding agent.
Softwareproduktunternehmen – SaaS für Rechenzentrumssimulation (Backend-Entwicklung)
- Entwickelte als zweitgrößter von mehr als zwanzig Mitwirkenden die asynchrone Simulationspipeline.
- Kennzeichnete jedes Image in den GitHub-Actions-Deploy-Workflows mit Commit-SHA und SemVer.
- Diagnostizierte den RabbitMQ-Speicheralarm, der alle Simulationen zum Stillstand brachte, und korrigierte die Limits im Helm-Chart.
- Stellte die Testsuite auf pytest im Function-Style um und ließ die Testabdeckung in jeder Pipeline ausweisen.
Verwendete Sprachen und Software: Python, FastAPI, SQLAlchemy, Alembic, Celery, RabbitMQ, Redis, PostgreSQL, S3, EKS, Helm, Keycloak, GitHub Actions, pytest, mypy, ruff, SonarQube.
Interne KI-Plattform – Modellbereitstellung und Telemetrie
- Entwickelte den FastAPI-Service, der Open-Weight-Modelle auf GPU-Tiers als OpenAI-kompatible Endpunkte bereitstellt.
- Aktualisierte das EKS-Produktionssystem um zwei Kubernetes-Minor-Versionen und behob zonengebundene Speicherfehler.
- Erfasste jeden Modellaufruf mit Tokenanzahl, Kosten und Latenz über den OpenTelemetry-Operator.
Verwendete Sprachen und Software: Python, FastAPI, vLLM, LangGraph, pydantic-ai, OpenAI- und Anthropic-APIs, EKS, Helm, Flux CD, Terraform, GitLab CI, OpenTelemetry, Grafana.
Prajwal A.
Letzte Position:
Master Thesis bei Smart City Research Lab
Vom Rohdaten zum Feinschliff: Partizipative Design-Daten in stakeholdertaugliche Ergebnisse überführen
- Eine produktive Document-AI-Plattform mit Retrieval Augmented Generation (RAG) über 1.500+ partizipative Design-Artefakte entwickelt, um historische Projektanfragen mit fundierten Antworten zu beantworten.
- LLM-Evaluierung mit RAGAS, eigenen Bewertungsmetriken und Human-in-the-Loop-(HITL)-Validierungs-Workflows entworfen, um faktische Fundierung, Antwortqualität und Prompt-Performance zu bewerten.
- Ein Frontend mit React, TypeScript und D3.js für die interaktive Erkundung von KI-generierten Insights gebaut.
- Sicherheitsmechanismen und Guardrails für die LLM-Eingabeschicht implementiert, einschließlich PII-Redaktion und Filterung von vulgärer Sprache.
Artyom N.
Letzte Position:
KI-Automatisierungsingenieur & Solution Architect bei Technology Research Project
Entwurf und Entwicklung einer KI-gestützten Automatisierungsplattform mit n8n, um Social-Media-Nischen zu analysieren, Zielgruppen zu erkennen und die Generierung von Marketingstrategien zu automatisieren. Die Lösung kombinierte KI-Agenten, Workflow-Orchestrierung und Datenanalyse, um Rechercheprozesse zu automatisieren und datenbasierte Erkenntnisse zu erzeugen.
- Komplexe Automatisierungs-Workflows mit n8n entworfen und umgesetzt
- KI-gestützte Analyse-Agenten für Markt- und Zielgruppenrecherche entwickelt
- Mehrere APIs und KI-Services in automatisierte Workflows integriert
- Automatisierte Analyse-Pipelines für Markt, Wettbewerber und Zielgruppen aufgebaut
- Large Language Models (LLMs) für Zusammenfassung, Klassifizierung und Priorisierung von Informationen genutzt
- Plattform mit Docker containerisiert und bereitgestellt
Technologien: n8n, AI Agents, OpenAI APIs, Prompt Engineering, LLMs, Docker, Linux, REST APIs, Webhooks
Sabahattin K.
Letzte Position:
Alleinverantwortlich (Konzeption, Entwicklung, Infrastruktur, Betrieb) bei Eigenprojekt busik.ch
- Mitfahr- und Busplattform, live erreichbar und funktionsfähig. Backend Spring Boot 4.1 auf Java 21, PostgreSQL mit Flyway, Testcontainers-Integrationstests. Betrieb im eigenen AWS-Konto (ECS Fargate, ALB, ECR, IAM Least-Privilege) mit CI/CD via GitHub Actions und OIDC-Federation ohne statische Zugangsdaten. Entwicklung durchgehend AI-gestützt mit Claude Code, inklusive eigener Skills und projektspezifischem Memory. Spring Boot · Java 21 · PostgreSQL · Flyway · Docker · AWS ECS/ALB/ECR · CI/CD · GitHub Actions · Claude Code
Amr A.
Letzte Position:
Machine-Learning-Ingenieur bei German Research Center for Artificial Intelligence (DFKI)
- Entwicklung durchgängig reproduzierbarer ML-Pipelines (PyTorch) mit Datenversionierung (DVC), Experiment-Tracking (MLflow), automatisierten Tests (PyTest) und CI/CD für alle Trainings-Workflows.
- Skalierung des Trainings von Vision Transformers und CNNs über NVIDIA A100-GPU-Cluster (CUDA, DDP, SLURM); Anwendung von Hyperparameter-Optimierung (W&B Sweeps), um den Trainingsaufwand zu reduzieren und optimale Konfigurationen zu ermitteln.
- Entwicklung eines Echtzeit-Systems zur Generierung menschlicher 3D-Bewegungen (ViT, VQ-VAE, SMPL-X/PIXIE) für die persönlichkeitsabhängige Avatarsynthese; Erreichen von state-of-the-art FID = 6.15 und P-FID = 10.31 auf dem UDIVA-Benchmark.
- Validierung der Ausdrucksfähigkeit des Modells durch strukturierte Nutzerstudien mit einer Genauigkeit von 86% bei der Unterscheidung zwischen extrovertiertem und introvertiertem Avatarverhalten.
- Optimierung von Inferenz-Pipelines durch die Bereitstellung von PyTorch-Modellen über TensorRT und ONNX Runtime in nativem C++-Code; Durchführung von Performance-Benchmarks.
Ashwin P.
Letzte Position:
Datenwissenschaftler bei Mercor Intelligence
- Steigerte die Zuverlässigkeit der LLM-Ausgaben durch Erstellung domänenspezifischer Prompts und Evaluationslogik und verbesserte damit die Konsistenz der Schlussfolgerungen in Produktions-Workflows von Sprachmodellen.
- Entwickelte fortgeschrittene Coding-Benchmarks und validierte Lösungen zur Stärkung von Trainings- und Evaluierungsdatensätzen, wodurch die Modellleistung bei technischen Problemlösungsaufgaben verbessert wurde.
- Entwarf und implementierte automatisierte Evaluierungsframeworks für technische Reasoning-Aufgaben; optimierte die Zuverlässigkeit der LLM-Ausgaben um 15 % durch rigoroses Prompt-Engineering und bewertungsbasierte Benchmarking.
Amit G.
Letzte Position:
Bevollmächtigter - Softwareingenieur bei UBS
- Entwickelte ein Tool zur Erstellung von Gebührenvorschlägen, das die Honorarberechnung für Finanzberater automatisiert und die manuelle Bearbeitung von Stunden auf Sekunden verkürzt.
- Entwickelte Spring Boot Microservices mit REST-APIs auf Azure SQL, ersetzte Mainframe-Prozeduren und verbesserte die Latenz um 60%.
- Migrierte Tomcat-Anwendungen von lokalen RHEL-Servern zu Azure Kubernetes Service (AKS).
- Automatisierte Test- und Deploy-Prozesse mit CI/CD-Pipelines in GitLab und reduzierte die Bereitstellungszeit um 90%.
- Optimierte wiederkehrende Reporting-Workflows durch Automatisierung der Berichtserstellung mit Spring Batch.
Alexandru G.
Letzte Position:
Principal Cloud DevOps Architect bei BP
In meiner Rolle als Senior Cloud DevOps Architect bei BP, einem Öl- und Gasunternehmen, hatte ich die Aufgabe, die Plattform für das Laden von Elektrofahrzeugen der EV Division von On-Premises und Azure in die AWS-Cloud zu migrieren, was zu einer hybriden Multi-Cloud-, Multi-Tenant-SaaS-Lösung führte.
Der Einsatz von Kubernetes für die Anwendungsebene bedeutete die Bereitstellung von Kubernetes-Clusters, die von EKS und AKS verwaltet wurden, mit Fokus auf die Integration in eine Multi-Tenant-Umgebung. Diese Integration wurde durch den Einsatz von Kubernetes-Namespace und Zugriffskontrollen erreicht, um Datenisolation und Datenschutz sicherzustellen.
Auf der Datenbankebene entschieden wir uns für eine RDS-Instanz mit PostgreSQL zur Unterstützung der Backend-Infrastruktur unserer Anwendungen. Die Mandanten teilten sich dieselbe RDS-Instanz, hatten aber jeweils ein eigenes Schema.
Um nahezu in Echtzeit Daten von physischen Ladestationen (CPOs) als IoT-Geräte über das OCPI-Protokoll aufzunehmen, stießen wir bei der Batch-Verarbeitung auf erhebliche Verzögerungen. Daher entwickelten wir eine Streaming-Datenpipeline in Echtzeit mit Apache Kafka und setzten dabei auf eine eventgetriebene Architektur.
Ich leitete die Zusammenarbeit über mehrere interne Teams, externe Anbieter, Cloud-Provider und Partner vor Ort hinweg, um über fünf Systeme in eine einheitliche Lösung zu integrieren.
Erfolge:
- Erfolgreich hybride Multi-Cloud-Lösungen entworfen und umgesetzt, die mehrere Cloud-Plattformen (AWS, Azure) mit On-Premises-Infrastruktur unter Einsatz von Site-to-Site-VPNs, Firewalls und Load Balancing integrierten.
- Die Migration der On-Premises-Infrastruktur zu einer Multi-Cloud-, Multi-Tenant-Infrastruktur geleitet, was zu 30 % schnelleren Verarbeitungszeiten führte.
- Workloads aus VMware- und Hyper-V-Umgebungen auf cloudbasierte VMs migriert und dabei Cloud-native Services genutzt, um Leistung, Kosteneffizienz und Skalierbarkeit zu optimieren.
- Eine Multi-Tenant-Kubernetes-Plattform entworfen, die das Kubernetes-Ökosystem nutzt, mit Karpenter für die dynamische Bereitstellung von EC2-Nodes, KEDA für eventgesteuertes Pod-Autoscaling (z. B. Kafka-Message-Lag) und Rancher für das zentrale Monitoring mehrerer Cluster (EKS, AKS oder On-Prem K8s), als Ersatz für den Microsoft-zentrierten Azure-Arc-Management-Service.
- Python-basierte FastAPI-Microservices als Teil des EV-Core-Backends auf der AWS-EKS-Anwendungsebene entworfen und umgesetzt, die Datenaufnahme- und Kundenanalyse-Pipelines antreiben.
- Asynchrone, eventgetriebene APIs (Python-FastAPI) für die Echtzeit-Integration mit CPOs entwickelt, mit Unterstützung für OCPI 2.3 und OICP-Protokolle.
- Eine sichere, produktionsreife Azure-Databricks-Plattform mit Terraform entworfen und umgesetzt und dabei Skalierbarkeit und Kosteneffizienz sichergestellt.
- On-Premises-ERP auf eine hybride Dynamics-365-Architektur migriert, mit ERP lokal gehostet und CRM in Azure betrieben, integriert über Azure Arc.
- CI/CD-Pipelines für Databricks-Notebooks und Jobs mit GitHub Actions und Databricks CLI automatisiert, wodurch die Bereitstellungszeit reduziert wurde. Die Bereitstellungszeit für Infrastruktur durch Automatisierung der Cloud-Ressourcenbereitstellung mit GitOps um 70 % reduziert.
- Die Einhaltung interner Audit- und Data-Governance-Standards (GDPR) durch OAuth2/OIDC-basierte Authentifizierung und fein abgestufte rollenbasierte Zugriffskontrollen sichergestellt.
- Ein Zero-Trust-Sicherheitsmodell entwickelt, das Least-Privilege-Zugriffe und Mikrosegmentierung durchsetzt und die Sicherheitslage sowie die Compliance mit GDPR und NIST verbessert.
- Interaktive Analytics-Dashboards in Amazon QuickSight erstellt, die Daten aus S3 und Redshift integrieren, um Echtzeit-Business-Insights und Visualisierungen mit eingebettetem Zugriff für Multi-Tenant-Nutzer bereitzustellen.
- Cloud-Sicherheitsbewertungen und eine Sicherheitsintegration über den gesamten Lebenszyklus während M&A geleitet, einschließlich AWS, Azure, IAM (Entra ID) und Datenschutz, und dabei die Sicherheitslage mit NIST, ISO 27001 und GDPR über hybride und cloud-native Umgebungen hinweg ausgerichtet.
- Die Cloud-Kosten für eine Dev-Umgebung eines Kunden um 64 % gesenkt, indem automatisierte Start-/Stopp-Zeitpläne für EC2- und RDS-Instanzen über AWS CDK mit EventBridge Scheduler oder AWS Systems Manager implementiert wurden.
Tech-Stack:
- Infrastructure as Code: Terraform, AWS CDK, Ansible.
- Container: Kubernetes auf EKS, AKS, Docker.
- Streaming-Datenverarbeitung: Kafka zu Confluent Cloud, nach AWS MSK.
- Frontend: TypeScript, React, NextJS, Hooks, Styled Components.
- Backend: Python mit FastAPI, außerdem Node.js mit NestJS.
- Datenbank: Aurora auf PostgreSQL mit TypeORM, RDS auf SQL Server, vollständiges Setup und Administration von Azure Databricks, ETL-Pipelines.
- CI/CD und GitOps: GitHub Actions, Azure DevOps, ArgoCD.
- Monitoring und Observability: Prometheus und Grafana.
- Virtualisierung: Hyper-V, VMware Cloud on AWS, Azure Migrate.
- ERP-Systeme: Odoo, Microsoft Dynamics 365 Business Central auf Azure, integriert mit Azure Arc.
- Netzwerke: Site-to-Site-VPNs, AWS Direct Connect, Azure ExpressRoute, Firewalls (AWS Network Firewall, Azure Firewall).
- Sicherheit: IAM, NIST Framework, Zero-Trust-Sicherheit, AWS WAF, AWS Shield, GuardDuty.
Puranjan B.
Letzte Position:
Praktikum - Generative KI bei Continental
- Bilder von Reifen und deren Merkmalsbeschreibungen gesammelt.
- Datensatz mit Bild-Metadaten mit pandas bereinigt.
- Merkmals-Embeddings der Bilder in der Chroma-Vektordatenbank gespeichert.
- Bildaugmentierungen eingesetzt, um die Datensatzgröße zu erhöhen.
- sklearn verwendet, um Datensätze zu mischen, und imbalanced-learn, um Klassengrößen im Datensatz auszugleichen.
- PyTorch genutzt, um verschiedene neuronale Netze zu trainieren und zu testen.
- Modell mit einer eigenen Genauigkeitsmetrik auf Basis einer Ähnlichkeitssuche in ChromaDB validiert.
- Vorhersagen der Genauigkeit mit matplotlib visualisiert.
- Trainiertes Modell in DreamBooth integriert, um ein Stable-Diffusion-Modell zu trainieren und neue Reifenbilder zu generieren.
- Eigenes Docker-Image im Amazon Elastic Container Registry für das Machine-Learning-Skript erstellt.
Benito E.
Letzte Position:
Cloud DevOps Engineer und Cloud Architekt bei Energieversorgungsunternehmen (anonymisiert, NDA)
- Konzeption und Aufbau einer vollständig abgeschotteten AWS-Offline-Umgebung ohne ausgehenden Internetpfad für den Betrieb einer browserbasierten Fachanwendung
- Entwurf und Implementierung eines Proxy- und Antwortdienstes, der sämtliche externen Aufrufe der Anwendung innerhalb der VPC terminiert und aus lokal vorgehaltenen Inhalten bedient; Ermittlung des tatsächlichen Kommunikationsbedarfs messbasiert über DNS-Query-Logging
- Erstellung von Architekturdesigns und Entscheidungsvorlagen inklusive Variantenvergleich (Application Load Balancer mit Lambda und S3, Reverse Proxy auf EC2, privates API Gateway) mit Bewertung nach Betriebsaufwand, Kosten und Verfügbarkeit
- Übertragung der bislang ausschließlich für Azure vorliegenden Lösungs- und Betriebsdokumentation auf eine AWS-Zielarchitektur inklusive Neuzuordnung sämtlicher Dienste und Betriebsabläufe
- Automatisierter Rollout als Infrastructure as Code (Terraform, CloudFormation) mit CI-Deployment über GitHub Actions sowie Aufbau privater DNS-Zonen und einer eigenen Zertifikatskette für den Betrieb ohne Internetanbindung
- Erstellung der Architektur-, Deployment- und Betriebsdokumentation und Übergabe an den Kunden
- Aufbau einer privaten Cloud-Plattform auf OpenStack beim Provider TelemaxX mit Terraform, inklusive FortiGate-HA-Clustern, FortiManager und Kubernetes
- Einführung von Policy as Code (Open Policy Agent, Conftest) sowie Entwicklung von MCP-Servern (Model Context Protocol) zur Anbindung von KI-Assistenten an Betriebs- und Projektwerkzeuge
Erfolge:
- Fachanwendung erstmals vollständig ohne Internetanbindung betriebsfähig gemacht; die Ursache des Ladefehlers wurde durch systematische Eingrenzung auf fehlende CORS-Header zurückgeführt, nachdem die naheliegende Zertifikatsspur widerlegt war
- Bestehendes Azure-Konzept vollständig auf AWS übertragen und die zuvor manuell erstellte Umgebung durch einen reproduzierbaren, CI-gestützten Rollout abgelöst
Technologie Stack: AWS (VPC, Application Load Balancer, Lambda, S3, Route 53 Private Hosted Zones und Resolver Query Logging, IAM, CloudWatch, EC2, CloudFormation), Infrastructure as Code (Terraform, CloudFormation, Remote State), CI/CD (GitHub Actions mit OIDC, Azure DevOps Pipelines), OpenStack, FortiGate, FortiManager, Kubernetes, Policy as Code (Open Policy Agent, Conftest), Offline- und Air-Gap-Architekturen, PKI & Zertifikate (interne CA, TLS, CRL/OCSP), DNS, Netzwerksegmentierung, Linux, Windows Server, Python, Bash, PowerShell, YAML, JSON, Architekturdesign & Entscheidungsvorlagen, Dokumentation (Confluence, Markdown), Generative & Agentic AI (Model Context Protocol, Agentic AI Coding Tools)
André F.
Letzte Position:
GenAI Product Owner bei OW Media Solutions GmbH
- Konzipierte und leitete die Entwicklung eines automatisierten Systems zur Erstellung kurzer Videos.
- Entwickelte ein skalierbares AWS-Backend mit Step Functions, Lambda, S3, ECS Fargate und DynamoDB.
- Entwickelte das Rendern von Videos mit OpenCV und FFMPEG und sorgte für wartbaren Python-Code.
- Betreute und förderte einen Python-Entwickler und schulte den Kunden in KI-Workflows.
- Verkürzte die End-to-End-Produktionszeit von Stunden auf Minuten.
- Entwickelte eine modulare, erweiterbare Architektur, die zukünftige KI-Modelle unterstützt.
Surya A.
Letzte Position:
KI-Softwareingenieur bei Fraunhofer FIT
- Entwicklung von LLM-basierten Automatisierungs-Utilities, darunter strukturierte Reasoning-Pipelines, LLM-as-a-Judge-Bewertungstools und Multi-Model-Vergleichs-Frameworks.
- Aufbau von RAG-Pipelines für interne Forschungs-Workflows mit LangChain, ChromaDB und FastAPI, um semantische Suche und mehrstufiges Reasoning zu ermöglichen.
- Integration von LLM-Microservices in bestehende ML-Systeme mit Docker, FastAPI und GitLab CI/CD sowie reproduzierbare Deployment-Workflows.
- Entwurf von Inferenz-APIs, die Vision-Modelle und LLM-Reasoning für multimodale Analysen und Entscheidungsfindung kombinieren.
- Optimierung der embeddings-basierten Suche durch Pruning von Vektorspeichern, verbesserte Chunking-Logik und dynamische Retriever-Auswahl.
- Durchführung von Prompt Engineering und Feintuning der Systemanweisungen für Konsistenz, Robustheit und bessere Reasoning-Qualität.
- Erstellung von Benchmarking-Suites zur Bewertung von LLM-Latenz, Reasoning-Qualität, Retrieval-Genauigkeit und Robustheit unter verschiedenen Prompt-Templates.
Fares K.
Letzte Position:
Wissenschaftlicher Mitarbeiter – KI & Computer Vision bei Iris-Sensing GmbH
- Entwicklung und Implementierung einer Echtzeit-Wahrnehmungspipeline mit YOLOv7 auf Time-of-Flight-(ToF)-Sensordaten, die Live-Streaming, Inferenz und On-Frame-Visualisierung zur Passagiererkennung ermöglicht.
- Feintuning und Bewertung mehrerer State-of-the-Art-Monokular-Tiefenschätzmodelle für die automatische Passagierzählung (APC) sowie Entwicklung eines hybriden Tiefenmodells, das die Tiefengenauigkeit in anspruchsvollen Szenenbereichen verbesserte.
- Nachgewiesen, dass modellbasierte Tiefenkarten die Rohsensortiefe für APC-Aufgaben in mehreren Datensätzen übertreffen und so zu messbaren Verringerungen der Zählfehler beitragen.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Amazon ECR einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
15 Jahre

Positionsdauer
2 Jahre

Positionen pro Freelancer
9

Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Business Intelligence

Häufigste Branchen
Informationstechnologie (IT), Automotive, Bank- und Finanzwesen

Fokus der Zertifizierungen
Informationstechnologie (IT), Business Intelligence, Projektmanagement
Bachelor-Abschluss oder höher
91%
Master-Abschluss oder höher
70%
Doktortitel
4%

Zertifizierungen pro Freelancer
2

Häufigste Sprachen
Englisch, Deutsch, Französisch

Sprechen zwei oder mehr Sprachen
100%
Basierend auf unserem Profilpool, Stand 19 Nov 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in Deutschland, die Amazon ECR einsetzen
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 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Amazon ECR Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (100%)
- Automotive (46%)
- Bank- und Finanzwesen (46%)
- Bildung (36%)
- Energie (29%)
- Versicherung (29%)
- Professionelle Dienstleistungen (29%)
- Fertigung (25%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Container-Registry
Amazon Elastic Container Registry, allgemein Amazon ECR genannt, ist eine verwaltete Registry zum Speichern, Verwalten und Verteilen von Container-Images und kompatiblen Artefakten. Sie lässt sich in AWS-Identitätskontrollen, Netzwerk-, Protokollierungs- und Bereitstellungsdienste integrieren, sodass Teams die Image-Bereitstellung in der Nähe ihrer Cloud-Workloads halten können. Private Repositorys unterstützen die kontrollierte interne Verteilung, während öffentliche Repositorys Images mit einer größeren Community teilen können.
Images und Artefakte
Unternehmen nutzen ECR, um Docker- und OCI-Images über Entwicklungs-, Test- und Produktionsumgebungen hinweg zu speichern. ECR unterstützt Image-Tags, unveränderliche Tags, Lebenszyklus-Richtlinien, Replikation und Zugriffskontrollen, die Teams bei der Verwaltung von Aufbewahrung und Freigabe unterstützen. ECR kann je nach verwendeten Tools und Workflows der Bereitstellung auch andere OCI-kompatible Artefakte speichern.
AWS-Ökosystem
Erfahrene ECR-Spezialisten verstehen die Dienste rund um die Registry, nicht nur das Repository selbst.
- ECR mit Amazon ECS, Amazon EKS und AWS-Lambda-Container-Workflows verbinden
- IAM-Richtlinien, Repository-Berechtigungen und kontoübergreifenden Zugriff konfigurieren
- Amazon-VPC-Endpunkte und private Netzwerke für das Abrufen von Images nutzen
- Image-Scans mit Amazon Inspector und Sicherheitsprozessen integrieren
- Repository-Vorgänge über AWS CLI, SDKs oder Infrastructure as Code automatisieren
Bereitstellungs-Workflows
ECR ist häufig Teil einer umfassenderen Build- und Release-Kette. Fachleute konfigurieren Docker- oder BuildKit-Builds, die Authentifizierung für Push und Pull sowie Integrationen mit GitHub Actions, GitLab CI/CD, Jenkins oder AWS CodePipeline. Sie kümmern sich außerdem um Multi-Architektur-Images, die Freigabe zwischen Konten, Rollback-Verfahren und Bereitstellungsmanifeste für Kubernetes- oder ECS-Dienste.
Wann Fachwissen wichtig ist
Freiberufliches Fachwissen ist hilfreich, wenn ein Unternehmen von Docker Hub oder einer anderen Registry wechselt, Repositorys über mehrere AWS-Konten hinweg standardisiert oder einen Prozess für die Container-Bereitstellung absichert. Es ist ebenfalls wertvoll, wenn das Abrufen von Images langsam oder unzuverlässig ist, Berechtigungen unklar sind, der Speicherbedarf stetig wächst oder eine neue EKS- oder ECS-Umgebung einen zuverlässigen Release-Weg benötigt.
- Konventionen für Repository-Namen, Tags und Aufbewahrung entwickeln
- Images migrieren, ohne laufende Bereitstellungen zu unterbrechen
- Die Angriffsfläche durch privaten Zugriff und IAM mit geringsten Rechten reduzieren
- Fehlgeschlagene Pushes, Authentifizierungsfehler und Fehler beim Abrufen untersuchen
Qualitätsmerkmale
Ein kompetenter Amazon-ECR-Fachmann erklärt die Abwägungen zwischen Komfort, Isolation, Kostenkontrolle und Betriebsaufwand. Er dokumentiert Repository-Richtlinien, Zugriffsgrenzen, Lebenszyklusregeln, Scan-Ergebnisse und Wiederherstellungsverfahren. Für Teams in Deutschland kann eine klare Kommunikation zwischen Remote- und Vor-Ort-Beteiligten genauso wichtig sein wie praktische AWS- und Container-Erfahrung.
Häufig gestellte Fragen
Alles, was Kunden üblicherweise über Amazon ECR wissen wollen – kompakt an einem Ort.
Amazon ECR ist eine verwaltete AWS-Registry zum Speichern, Absichern, Scannen und Verteilen von Docker- und OCI-Container-Images. Unternehmen nutzen sie mit Diensten wie Amazon ECS, Amazon EKS, AWS Lambda und automatisierten CI/CD-Pipelines.
Amazon Elastic Container Registry ist eng mit AWS-Diensten für Identität, Netzwerk, Bereitstellung und Sicherheit integriert. Docker Hub ist eine umfassende öffentliche Registry und kann für die offene Verteilung praktisch sein, während ECR häufig besser für private Images und AWS-zentrierte Bereitstellungskontrollen geeignet ist.
ECR-Arbeit erfordert in der Regel praktische Kenntnisse über Docker- oder OCI-Images, IAM, CI/CD und Infrastructure as Code. Erfahrung mit Amazon ECS, Amazon EKS, VPC-Endpunkten, Kubernetes-Manifesten, Image-Scans und AWS-Kontostrukturen ist ebenfalls wertvoll.
Amazon ECR-Aufgaben können unkompliziert sein, wenn ein Team nur ein privates Repository und eine einfache Pipeline benötigt. Anspruchsvollere Arbeiten wie kontoübergreifende Replikation, Multi-Architektur-Images, private Netzwerke, Migration oder Sicherheitskontrollen erfordern einen Fachmann, der vergleichbare Systeme für die Container-Bereitstellung betrieben hat.
Amazon ECR wird über Cloud-Dienste verwaltet, sodass die Repository-Konfiguration und die meisten Fehleranalysen remote erledigt werden können. Die Zusammenarbeit vor Ort kann hilfreich sein, wenn Zugriffsr ichtlinien, Release-Verantwortung oder Compliance-Prozesse mehrere lokale Teams betreffen. Legen Sie Kommunikationssprache und Dokumentationsstandards frühzeitig fest.
Ein guter Amazon ECR-Freelancer kann Repository-Richtlinien, IAM-Grenzen, Image-Tags, Lebenszyklusregeln und die Integration in Bereitstellungen konkret erklären. Bitten Sie um Beispiele für die Diagnose fehlgeschlagener Pushes oder Pulls sowie um eine Dokumentation, mit der ein anderes Team die Umgebung betreiben könnte.
Amazon Elastic Container Registry unterstützt Image-Scan-Workflows, die Schwachstellen in Container-Images identifizieren. Erweiterte Funktionen sind über Amazon Inspector verfügbar. Scans ersetzen jedoch keine sicheren Basis-Images, kein Abhängigkeitsmanagement, keine eingeschränkten Berechtigungen und keinen Prozess zur Bearbeitung der Ergebnisse.
ECR ist eine gute Wahl, wenn Workloads bereits auf AWS laufen und das Team integrierte Zugriffskontrolle, private Netzwerke, Auditing und Berechtigungen für Bereitstellungen nutzen möchte. Eine andere Registry kann besser passen, wenn sich Workloads über mehrere Clouds erstrecken, die öffentliche Verteilung von Images im Mittelpunkt steht oder eine bestehende Toolchain auf einem anderen Anbieter basiert.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Amazon ECR in ihren letzten Projekten eingesetzt haben, liegt bei 94 €, was einem Tagessatz von etwa 753 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Amazon ECR in ihren letzten Projekten eingesetzt haben, haben 91% mindestens einen Bachelor-Abschluss, 70% mindestens einen Master-Abschluss und 4% einen Doktortitel.
Freelancer in Deutschland, die Amazon ECR in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 15 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Amazon ECR in ihren letzten Projekten eingesetzt haben, sind Englisch (100%), Deutsch (96%) und Französisch (25%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Amazon ECR in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Automotive (46%) und Bank- und Finanzwesen (46%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Amazon ECR in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Produktentwicklung (89%) und Business Intelligence (61%).
Hauptstandorte der FRATCH Experten, die kürzlich Amazon ECR eingesetzt haben
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.
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!
