Amazon S3 Experten in Berlin

• Aufbau, Wartung und Härtung von Kubernetes-Clustern mit Ansible und ArgoCD
• Schlagwörter: 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

• 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

• Wandelt natürliche Sprache mit RAG und pgvector in JQL um. Gibt strukturiertes JSON mit einer Query, einer Chart-Spezifikation und einer Klartext-Antwort zurück. Ein zweistufiger Router beantwortet allgemeine Fragen ganz ohne den JQL-Pipeline-Pfad.
• Austauschbare LLM-Backends: Ollama, vLLM, Groq, Anthropic Claude, AWS Bedrock - zur Laufzeit umschaltbar, ohne Codeänderungen. Self-healing JQL: Bei Jira-Validierungsfehlern wird der Fehler an das LLM zurückgegeben und bis zu 4 Mal erneut versucht. OCI Vault für Secrets. Bereitgestellt auf Oracle Cloud A1 mit GPU-Inferenz über ein Tailscale-Privatnetzwerk. Open Source.

• Mobile Spiele für iOS und Android eigenständig entworfen, entwickelt, veröffentlicht und gewartet.
• Anwendungsarchitektur, Gameplay-Systeme, UI, Monetarisierung, Analytics und Plattform-Integrationen umgesetzt.
• Den kompletten Release-Lifecycle betreut, einschließlich Tests, Store-Veröffentlichung, Produktions-Monitoring und iterativer Verbesserungen auf Basis von Analytics.

• Agierte als technischer Berater zur Optimierung von mehrschichtigen Ensemble-Modellen, die ResNet, CNN-BiGRU-Attention und XGBoost kombinierten.
• Begleitete die Umsetzung eines Logistic-Regression-Meta-Lerners zur Lösung von Klassenungleichgewichten und erreichte 92,86 % Genauigkeit und einen AUC-Wert von 0,9644 auf den Datensätzen PTB-XL und Chapman-Shaoxing.

• Arbeite an der nächsten Version von tonbo, um sie zur flexibelsten In-Process-Analyse-Datenbank auf dem Markt zu machen, die skaliert und mit hoher Verfügbarkeit betrieben wird

• Habe einen Object-Scope-Cache in der Remote-Speicherebene eingeführt, um I/O-Aufwand zu reduzieren

• Refaktoriere das Write-Ahead-Log (WAL), um Remote-Speicherung zu unterstützen

• Kümmere mich um die Systemstabilität, entwerfe die Betriebsabläufe und bringe sie in die Produktion

• Technologien: LSM, WAL, Arrow, Parquet, Rust

• IT-Schulungen in Theorie und Praxis für Fachinformatiker für Anwendungsentwicklung und Systemintegration

• Versicherungsdienstleister*

Herausforderung: Geschäftskritische Dokumente liefen über externe OCR-Dienstleister mit laufenden Kosten, Abhängigkeit und Datenschutzrisiken bei sensiblen Versicherungsdaten.

Umsetzung:

• Architektur und produktive Umsetzung einer On-Premise-OCR-Lösung mit vollständiger Datenhoheit
• Verfahren zur Erkennung von Dokumentstrukturen als Basis der automatisierten Weiterverarbeitung
• ML-, NLP- und LLM/VLM-basierte Informationsextraktion, insbesondere aus Rechnungen und Angeboten

Erfolg: Ablösung der externen Dienstleister: volle Datenhoheit, DSGVO-konforme Verarbeitung und 75 % geringere laufende OCR-Kosten p. a.

Verwendete Technologien: Python, Docker, Microservices, FastAPI, PyTorch, Torchvision, MongoDB, MySQL

• Opt-in-RAG-Erweiterung für mandantenbezogene Datenquellen (SharePoint, Confluence) auf einer bestehenden Multi-Tenant-Enterprise-KI-Plattform
• Architektur: ADRs, Lösungsbewertungen, Berechtigungsstrategie, Kostenermittlung
• End-to-End-Connectoren für SharePoint und Confluence: OAuth-Zustimmungsflows, Token-Aktualisierung, Metadaten-Synchronisation, Suchintegration
• Berechtigungsauflösung: ACL-Indizierung bei der Datenaufnahme und Verifikation zur Abfragezeit (Sicherheit auf Dokumentebene)
• Hybride Elasticsearch-Suche (semantisch + Schlagwort) mit RRF-Bewertung
• RAG-Chat mit Kontextinjektion und Quellenangaben
• Technologie-Stack: Elastic Cloud, Elasticsearch, Docker, Northflank, Next.js, React, TypeScript, Prisma, Microsoft Graph API, Atlassian REST API, OAuth 2.0

• Beratung einer NGO im Bereich Rechenzentrumsnachhaltigkeit in öffentlich geförderten Projekten (BMUKN mit NADIKI und Umweltbundesamt mit SIEC)
• Entwicklung von Python-APIs und Webanwendungen, Bereitstellung auf AWS/ECS mit Terraform
• Erfassung von Kennzahlen zum Stromverbrauch von Servern, CPUs und GPUs für KI-Workloads
• Verwendete Technologien: AWS, EC2, ECS, Fargate, CloudMap, VPC, Route53, Lambda, EventBridge, CodeBuild/CodePipeline/CodeDeploy, Terraform, Docker, Linux, Bash-Scripting, Python, Flask, SQLAlchemy, SQL, MariaDB, InfluxDB, Telegraf, Prometheus, Zabbix, Kubernetes, Letsencrypt, Zertifikatsverwaltung

• Bestandsaufnahme der bestehenden Reporting-Landschaft und strategische Bündelung des Bedarfs
• Migration und Konsolidierung von Reports auf Metabase, Anbindung an ClickHouse als Datengrundlage
• Aufbau und Pflege von Datenpipelines

Stack: Metabase · ClickHouse · Appsmith · Airflow

• Fortführung seit 10/2023, Angebot meiner Data-Science-Entwicklungsfähigkeiten in Vollzeit für internationale Kunden

• Unterstützung von Unternehmen dabei, mehr über ihre vorhandenen (unstrukturierten) Daten zu erfahren, Prozesse und technische Systeme zu optimieren und Lösungen für ihre Probleme abzuleiten

• Genutzte Tools und Technologien: Python (sklearn, pandas, numpy, Django, SQLAlchemy, PyTorch), Matlab, Docker, AWS EC2, Lambda, S3, SQL, MySQL, Hadoop & Spark, Machine Learning, DNN, KI, Jira, Confluence, Git, CI/CD, GitLab, Jenkins

• Optimierung der Datenarchitektur (Medallion) für eine bessere Entkopplung der Verarbeitungsschritte sowie höhere Transparenz und Reproduzierbarkeit
• Technische Qualitätssicherung der Datenverarbeitung in Databricks durch Einführung von Schema Enforcement, Datenqualitätschecks und strukturierter Datenarchitektur
• Pipeline-Orchestrierung mit Azure Data Factory
• Professionalisierung und Automatisierung des Entwicklungs- und Deploymentprozesses durch Integration von Git und GitHub Actions
• Fachliche Führung des Data Engineering Teams (3 Mitarbeitende)
• Leitung von Workshops zur Optimierung und Stabilisierung der Datenplattform und des Entwicklungsprozesses
• Aufnahme und Priorisierung neuer Anfragen, Pflege des Produktbacklogs
• Technologien: Microsoft Azure (Data Lake, Data Factory), Databricks, Apache Spark (PySpark), Python, SQL, Git, Confluence, Power BI, Power Apps, Dataverse, MS SharePoint, Mural