Amazon ECR Experten in Deutschland

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

• Konzipierte und entwickelte End-to-End-Machine-Learning-Pipelines für Klassifikations- und Vorhersagedaten und implementierte sie unter Einsatz von MLOps-Best Practices, um Robustheit und Reproduzierbarkeit zu gewährleisten.
• Trug direkt zur Verbesserung der Ausgabegenauigkeit von LLM-Modellen bei, indem ich spezialisierte Prompts entwickelte, die auf der Logik von End-to-End-ML- und SciML-Pipelines basieren.
• Erstellte Trainingsdaten für Large Language Models, indem ich Programmieraufgaben formulierte, die die Modelle nicht lösen konnten, und anschließend die richtigen Lösungen dokumentierte.

• Entwicklung von durchgängig reproduzierbaren ML-Pipelines (PyTorch) mit Datenversionierung (DVC), Experiment-Tracking (MLflow), automatisierten Tests (PyTest) und CI/CD über alle Trainings-Workflows.
• Skalierung von Vision Transformer- und CNN-Trainings auf NVIDIA A100 GPU-Cluster (CUDA, DDP, SLURM); Durchführung von Hyperparameter-Optimierung (W&B Sweeps) zur Reduzierung des Trainingsaufwands und zur Identifizierung optimaler Konfigurationen.
• Entwicklung eines Echtzeit-3D-Systems zur Generierung menschlicher Bewegungen (ViT, VQ-VAE, SMPL-X/PIXIE) für persönlichkeitsabhängige Avatar-Synthese; Erreichen von Spitzenwerten mit FID = 6,15 und P-FID = 10,31 im UDIVA-Benchmark.
• Validierung der Modell-Ausdruckskraft durch strukturierte Nutzerstudien und Erreichen einer 86%-Genauigkeit bei der Unterscheidung zwischen extrovertierten und introvertierten Avatar-Verhalten.
• Optimierung von Inferenz-Pipelines durch Deployment von PyTorch-Modellen mittels TensorRT und ONNX Runtime in nativen C++-Code; Durchführung von Performance-Benchmarks.

• Es ist wie ein Start-up innerhalb von REWE, wo wir von Grund auf ein neues Prognosesystem auf der Google Cloud Platform aufbauen müssen. Offiziell heißt meine Rolle MLOps, aber meine eigentlichen Aufgaben umfassen auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) sowie 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 Implementierung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert

• Erstellung medizinischer Templates gemäß ISO 13485:2016 und GMP / MDR.
• Design Qualification (DQ).
• Validierungsplan (VP).
• Erstellung PFMEA / FMEA.
• Installation Qualification (IQ).
• Operational Qualification (OQ).
• Performance Qualification (PQ).
• Abschlussbericht (AB).

• Im Rahmen eines Greenfield-Projektes wird in der Slowakei ein neues Produktionswerk erstellt, welches nach der Fertigstellung industrielle Medienspeicher für OEM und Handel herstellt.

• Beschaffung und Industrialisierung der Produktionseinrichtungen für die Vorfertigung.

• Auslegung, Beschaffung, Aufstellung und Integration von auf Stanztechnik, Umformtechnik und Schweisstechnik basierenden kompletten Produktionslinien mit personalreduzierenden, integrierten Prozessen.

• Aufbau einer Fertigungsumgebung unter strategischen Aspekten nach dem neuesten Stand der Technik.

• Übergeordnete und fortlaufende Kommunikation mit dem gesamten Greenfield-Team, den angrenzenden Abteilungen sowie der Werks- und Geschäftsleitung.

• Konzeptentwicklungen gemeinsam mit Schlüssellieferanten und Ermittlung von Ratio-Potentialen entlang der Fertigungs-Prozessketten mittels Wertstromanalysen.

• Ermittlung, Bewertung und Anwendung von Prozessdaten wie Durchlaufzeiten, Fertigungszeiten, Rüstzeiten, Warte- und Liegezeiten mittels Zeit- und Multimomentaufnahmen sowie Befragungen.

• Zukunftsweisende Gestaltung der Produktionssysteme und -prozesse mit dem Ziel, automatisierte und konkurrenzfähige Prozesslösungen im Sinne eines umfassenden Supply Chain Managements zu implementieren.

• Planung von Fertigungsabläufen, Festlegung von Fertigungsverfahren, Gestaltung des Gesamtlayouts sowie der Arbeitsplätze.

• Ermittlung und Erfassung von Prozesskostensätzen, Umlagesätzen, Kostenbewertung von Produktionsprozessen, Maschinenstundensätzen, Abschreibungen sowie zu erwartenden anteiligen Reklamations- und Nacharbeitskosten zur Optimierung der Herstellkosten.

• Fortlaufende Optimierungen der Produktkonstruktionen zu deren Adaption in auf Automation ausgerichtete Fertigungsumgebungen bis zum SOP des Werkes.

• Multi-Projektleitung für das Engineering, die Auslegung, Beschaffung, Aufstellung und Prozesseingliederung aller relevanten Gewerke hinsichtlich Anlagentechnik, Hebezeuge, Produktionsausrüstung und QM-Ausstattungen.

• Fortlaufende Etablierung eines Gesamtkonzeptes in konstruktiver, anlagentechnischer, logistischer, IT-technischer und QM-technischer Hinsicht.

• Erstellung, Wartung und Absicherung von Kubernetes-Clustern mit Ansible und ArgoCD
• Stichworte: Ansible, AWX, Kubernetes, NetApp, Prometheus, CI/CD ArgoCD, SSO, Fluent-bit, HAProxy, Calico, Keycloak, oauth2-proxy, SealedSecrets, kubeseal, Aqua kube-bench, CIS-Benchmarks, Aqua Trivy operator

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.

Softwarelösungsunternehmen, das Tools für das datengesteuerte Kampagnenmanagement von Amazon Ads anbietet.

• Von Grund auf ein Analyse-Tool für den Amazon DSP entwickelt, mit mehreren Datenpipelines zur Unterstützung von Berichten
• Neue Backend-Funktionen für das Ad-Optimiser-Tool entwickelt
• Datenpipelines für Ads-Berichte entwickelt und gewartet
• Unit-Tests geschrieben und Code anderer Entwickler überprüft
• Frontend-Entwickler unterstützt und Frontend-Entwicklungsaufgaben übernommen

• Migrierte die SaaS-App der EV-Division für Elektrofahrzeug-Ladeinfrastruktur von On-Premises und Azure in die AWS-Cloud und schuf damit eine hybride Multi-Cloud-Multi-Tenant-Lösung.
• Entwickelte eine Streaming-Daten-Pipeline mit AWS MSK für Apache Kafka und implementierte eine ereignisgesteuerte Architektur, um nahezu Echtzeitdaten von OCPI-Protokoll-IoT-Geräten zu erfassen und zu verarbeiten.
• Implementierte Multi-Tenant-Strategien, einschließlich Datenbankschema-Isolierung, Bridge-Modell für Ressourcenteilung und mandantenbasierter RBAC-Kontrollen.
• Provisionierte Kubernetes-Cluster auf AWS EKS mit Namespaces und RBAC zur Mandantentrennung.
• Leitete die Migration von On-Premises und Azure in die AWS-Cloud unter Nutzung von AWS DataSync, Snowball und Database Migration Service.
• Koordinierte die Zusammenarbeit zwischen über fünf Systemen, Anbietern, Dienstleistern und Vor-Ort-Teams.
• Unterstützte die Entwicklung und Pflege der IT-Strategie in Übereinstimmung mit den Geschäftszielen.
• Verwaltete ein Infrastruktur-Budget von 40 Mio. € und optimierte Kosten in AWS und Azure, was 15 % Einsparungen brachte.
• Führte über 50 Entwickler bei der Umsetzung komplexer Datenbankprozeduren, wodurch die Produktivität um 20 % stieg.
• Leitete die Multi-Cloud-Multi-Tenant-Infrastrukturmigration und erzielte 30 % schnellere Verarbeitungszeiten.
• Verhandelte mit Anbietern über Preise, um die Kosten für Lohn- und Leistungsverwaltung um 20 % zu senken.
• Erarbeitete eine zweijährige Technologie-Roadmap für die Infrastruktur, die 25 % Kosteneinsparungen brachte.
• Technologie-Stack: Kubernetes auf AWS EKS, Docker, Kafka/AWS MSK, Terraform, AWS CDK, TypeScript, React, NextJS, Node.js, NestJS, Python, Aurora Serverless, RDS (MySQL, SQL Server), GitHub Actions, Azure DevOps, ArgoCD, AWS Lambda, API Gateway, AWS Security Hub, AWS Database Migration Service, AWS DataSync, AWS Organizations, AWS Control Tower, Odoo, Microsoft Navision, MS Dynamics.

• 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.

• Entwurf und Leitung der Entwicklung eines automatisierten Kurzvideo-Generierungssystems.
• Aufbau eines skalierbaren AWS-Backends mit Step Functions, Lambda, S3, ECS Fargate und DynamoDB.
• Entwicklung der Videoerstellung mit OpenCV und FFMPEG; Gewährleistung wartbarer Python-Codequalität.
• Betreuung und Coaching eines Python-Entwicklers und Schulung des Kunden in AI-Workflows.
• Reduzierung der End-to-End-Produktionszeit von Stunden auf Minuten.
• Erstellung einer modularen, erweiterbaren Architektur zur Unterstützung künftiger AI-Modelle.

• Technisches Projektmanagement von der Anfrage bis zur Serienfreigabe
• Verfolgung des Projektfortschritts in Bezug auf Kosten, Termin und Qualität
• Auslegung von Tiefziehwerkzeugen sowie Konzeption von Kunststoffteilen und Betriebsmitteln
• Erarbeitung von Fertigungskonzepten und Abstimmung mit Fachabteilungen
• Durchführung von Machbarkeitsanalysen und Kostenkalkulationen, technische Unterstützung bei Angeboten