Amazon SNS Experten in Deutschland

• Optimierung der Datenarchitektur (Medallion) für eine bessere Entkopplung der Verarbeitungsschritte und bessere 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

Reifung ihrer API-Praktiken sowohl auf Business- als auch auf Technologieebene. Meine Rolle umfasst Strategie, Architektur, Developer Advocacy sowie hands-on Software Engineering und ermöglicht es sowohl technischen Teams als auch dem Business-Management, API-zentrierte Prinzipien effektiv zu übernehmen und anzuwenden. Gleichzeitig etablieren wir mit diesem Projekt auch GitOps, DX und Platform Best Practices.

Highlights:

• Abstimmung mit Executives auf die Initiative durch Klarstellung der Strategie, Ersetzen von Missverständnissen und Mythen durch Fakten, Verdeutlichen des Werts bestehender Assets und Ermöglichen fundierter Entscheidungen
• Entwicklung eines Vorgehens für das API Lifecycle Management bei OTTO
• Vorantreiben des Plattformfortschritts und Förderung des Entwicklerengagements durch hands-on Engineering-Arbeit in Richtung strategischer Ziele

API Lifecycle Management, Team Topologies, Organizational Evolution, Regulatory, Platform Advocate, Developer Platform, Communities of Practice, Terraform, Kotlin, Kafka, Kong, WSO2, Apigee, Gravitee, Backstage, AsyncAPI, OpenAPI, API Design, AWS, React, Node.js, TypeScript, Redocly, Reactive Programming, CDC, Golang, Gin-Gonic, GitOps, DX (Developer Experience), Stakeholder Management, Roadmaps, Workshops, Discovery.

• Konzeption und Entwicklung einer Multi-Tenant-SaaS-Plattform, mit der Unternehmen ihre eigenen Wissensdatenbanken aufbauen und mit individuell gebrandeten KI-Assistenten chatten können (White-Label-Ansatz mit dynamischem Branding pro Organisation).
• Implementierung einer skalierbaren RAG-Architektur mit einer GPT-4o-Tool-Use-Loop, hybrider semantischer Suche und strikter Mandantentrennung auf Datenbank- und Suchindex-Ebene.
• Aufbau persistenter, projektähnlicher Chat-Sessions inklusive Streaming-API (SSE), mehrsprachiger Unterstützung sowie Sprach-Ein- und Ausgabe (STT/TTS).
• Bereitstellung der Cloud-Infrastruktur als Infrastructure-as-Code, vollständig automatisierte CI/CD-Pipelines pro Kunde und ein Onboarding-Prozess für neue Mandanten.

Verwendete Technologien: Python, FastAPI, Pydantic (v2 noted), Next.js, React, TypeScript, Tailwind CSS, OpenAI / LLMs (GPT-4o), Azure AI Search, Cosmos DB, Azure Blob Storage, Azure Cognitive Services Speech, Azure App Service, Azure Container Registry, Retrieval-Augmented Generation (RAG), Server-Sent Events (SSE), Docker, Terraform, GitHub Actions, REST, OpenID Connect (OIDC), Multi-Tenancy

IT-Beratung, Analyse, Architekturgestaltung, Neu- und Weiterentwicklung, Code Review, Testautomatisierung, Continuous Integration, Continuous Delivery im Backend- und Frontend-Bereich für das Automotive-Projekt Instavalo.

Frontend:

• Implementierung von UI-Komponenten gemäß Vorgaben, insbesondere Style Guides und responsive Design mit React und Typescript
• Komponententests
• Codedokumentation
• CI/CD mit Gitlab Pipeline

Backend / IoT:

• Analyse und architektonische Gestaltung mit AWS Greengrass IoT auf Edge-Geräten
• Aufbau von Microservices-Containern mit Docker Compose auf Edge-Geräten mit AWS Greengrass und AWS IoT IAM, Token Exchange Service, Ansible
• CI/CD mit Gitlab Pipeline, Terraform, AWS ECR
• Logging mit Fluentbit und Lua für AWS Cloudwatch
• Python-Lambda für die AWS-Greengrass-Recipe-Deployment auf Edge-Geräten
• Umsetzung von Test Driven Development mit JUnit, Mockito und Code Coverage
• Jacoco
• Definition von REST-Schnittstellen mit OpenAPI / Swagger
• Entwicklung und Erweiterung von Software auf Basis von Java Quarkus, Typescript NestJs NodeJs und Python
• Authentifizierung und Autorisierung in AWS IAM
• Entwicklung von REST- und gRPC-Schnittstellen für Frontend und Backend
• Umsetzung von Maven-Abhängigkeiten mit DevSecOps OWASP
• Spring AI, Jetbrains AI Assistant, Junie, Github Copilot, Claude Code, Agents, Skills, Command, Hooks, Subagents

• Konzipiert, entwickelt und eingeführt eine interne Webanwendung zur Veranstaltungsplanung, die von über 100 Abteilungsleitern für eine große Veranstaltung genutzt wurde, obwohl keine dedizierte Testphase stattfand.

• Einen reibungslosen und fehlerfreien Betrieb beim ersten Live-Einsatz sichergestellt, wodurch das Tool für zukünftige Veranstaltungen übernommen wurde.

• Catering-Berechnungen und zugehörige Workflows automatisiert, wodurch E-Mail-Kommunikation und manueller Aufwand für die Essensplanung deutlich reduziert wurden.

• Bereitstellung und Hosting auf einem Linux-Server mittels Coolify verwaltet, einschließlich Einrichtung der Anwendung und Laufzeitbetrieb.

• Einen Kommunikationsdesigner im Bereich UX eingestellt und angeleitet und dabei alle technischen Entscheidungen und die Implementierung eigenständig verantwortet.

• 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

• 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)

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.

• Migration der unternehmensweiten Autorisierungsplattform von Styra DAS zu Open-Source OPA über die Integration mit Skipper (Zalandos Golang-basiertem Ingress-Proxy)
• k8s-Ressourcen optimieren und native Prometheus-Metriken mit OPA integrieren
• Migration von einer internen Monitoring-Lösung zu Prometheus CRs + Dash0

Tech Stack: Java/Kotlin, Golang, Python, Spring Boot, AWS, Kubernetes, Docker, OpenTofu, Prometheus, Grafana

Aufbau einer Observability- und Alerting-Lösung für Business Central Job Queue Monitoring

• Aufbau einer zentralen Monitoring-Lösung zur Überwachung der Business Central Job Queue in einer Multi-Organisations-Umgebung in Azure DevOps
• Integration von Azure Application Insights und Log Analytics zur strukturierten Erfassung und Auswertung von Job-Laufzeiten und Fehlerereignissen
• Entwicklung von KQL-Abfragen zur gezielten Analyse fehlgeschlagener Jobs und Erkennung von Fehlermustern
• Anbindung von Grafana und Power BI zur Visualisierung operativer Metriken und Job-Status in Echtzeit
• Implementierung eines automatisierten Alerting-Workflows mit Power Automate – bei fehlgeschlagenem Job wird unmittelbar eine Benachrichtigungsmail ausgelöst
• Sicherstellung der Transparenz über den Zustand produktiver Hintergrundprozesse im laufenden Betrieb

Ergebnis: Vollständige Transparenz über fehlgeschlagene Business Central Jobs · Deutliche Reduzierung der Reaktionszeit durch automatisiertes Alerting per Mail · Stabile Grundlage für proaktiven Betrieb produktiver Hintergrundprozesse

Technologien: Azure DevOps | Application Insights | Log Analytics | KQL | Grafana | Power Automate | Power BI | Business Central | Azure Monitor

traigo ist die digitale Plattform von VTG für Bahnlogistik und Flottenmanagement. Sie verarbeitet große Mengen an Telemetrie-, Kilometer-, Geofence-, Sensor- und Wagenbewegungs-Events nahezu in Echtzeit und stellt operative Services für Kunden aus der Bahnlogistik in ganz Europa bereit.

Als Teil von Team Customer Selfcare habe ich an Design, Implementierung, Optimierung und Betrieb großer Backend-Services und eventgesteuerter Verarbeitungspipelines gearbeitet — sowohl an der Feature-Entwicklung als auch an der operativen Verantwortung für geschäftskritische Produktionssysteme. Außerdem war ich regelmäßig erster Ansprechpartner bei Produktionsvorfällen, Dateninkonsistenzen und Performance-Analysen über mehrere verteilte Services hinweg.

• Design und Implementierung eventgesteuerter Backend-Services.
• Migration und Ablösung von Legacy-Verarbeitungspipelines.
• Entwicklung von Replay-/Rebuild-Mechanismen für große Event-Datenmengen.
• Asynchrone Event-Verarbeitung mit hohem Durchsatz auf SNS / SQS.
• Datenbank- und Query-Optimierung für PostgreSQL und DynamoDB.
• Design skalierbarer Read-/Write-Modelle und Aggregationspipelines.
• Fehlersuche in der Produktion und operativer Support.
• Performance-Tuning und Skalierung der Infrastruktur.
• Design und Stabilisierung von Integrations- und Systemtests.
• Technische Konzepte, Architektur-Dokumentation und bereichsübergreifende Zusammenarbeit.
• Unterstützung bei der Weiterentwicklung bestehender GitLab CI/CD-Pipelines

Geofence- und Wagenstand-Verarbeitung

• Algorithmus zur Erkennung von Fahrzeugen innerhalb von Geofences (Eintritt, Austritt, Verweildauer).
• Event Sourcing mit garantierter chronologischer Reihenfolge innerhalb des betroffenen Zeitfensters.
• Refactoring der Logik für Geofence-Events und Wagenstand-Verarbeitung für bessere Performance.
• Behebung von Race Conditions und Problemen mit der Event-Reihenfolge in verteilten Services; serverseitiges Filtern, Aggregieren und optimierte Query-Pipelines.
• Reparatur- und Replay-Tools für beschädigte oder inkonsistente Bewegungsdaten.

Flotten-Metadaten & Kilometerstände

• Modernisierung des Services; Migration des Speichers von DynamoDB nach PostgreSQL, um die Nachverfolgbarkeit zu verbessern und neue Features schneller umzusetzen.
• Skalierbare Aggregation von Kilometerständen und Replay-Mechanismen.
• Read-/Write-Modelle und optimierte Queries für Berechnungen mit hohen Datenmengen.

Sensor- & Telematik-Integration

• Integration von Telemetrie- und Sensor-Verarbeitungspipelines.
• Snapshot- und Zustandsberechnungslogik für Sensorsysteme.
• APIs und Persistenzmodelle für Wagensensordaten; Verbesserungen der Datenqualität.
• Weiterentwicklung eines Services mit gRPC für die Kommunikation zwischen Services.

Verarbeitung von Bewegungssegmenten & Routing

• Migration von Services auf neue Event-Streams für Bewegungssegmente.
• Aufbau von Replay- und Rebuild-Tools für Segmentkorrekturen.
• Optimierung von Durchsatz und Zuverlässigkeit bei der Verarbeitung großer Event-Mengen.

Zustandsüberwachung & Wagenanalyse

• APIs und Backend-Services für die Zustandsüberwachung von Wagen.
• Verarbeitung zur Vorhersage von Bremsverschleiß und Funktionen für Wagenanalysen.
• PostgreSQL-Views und optimierte Query-Modelle für operative Dashboards.

Operative Zuverlässigkeit - First Responder

• Analyse von Produktionsvorfällen und Ausfällen verteilter Systeme; DLQ-Analyse, Replay und operative Wiederherstellung.
• Tuning der Datenbank-Performance und der AWS-Infrastruktur unter Produktionslast.
• Verbesserung von Observability, Monitoring und operativen Tools.
• Unterstützung bei Rollout-Strategien, Monitoring und Stabilisierung nach dem Deployment.

Entwicklung eines Routenplaners zur Störungskommunikation.

• Entwicklung der REST-API
• Aufbau eines Patch-Systems zur Pflege des Routing-Graphen
• Erweiterung der Testinfrastruktur
• Performance- und Speicheroptimierung (JMeter, JFR)

Technologien: Java 21, Spring Boot, JGraphT, Flyway, MapStruct, Caffeine, ShedLock, JMeter, Kubernetes, JFR

• Es handelt sich um ein Startup innerhalb von REWE, in dem wir ein neues Prognosesystem auf der Google Cloud Platform von Grund auf aufbauen müssen. Obwohl meine offizielle Rolle MLOps heißt, umfassen meine tatsächlichen Aufgaben auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und Aufgaben eines 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 zur Implementierung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline entwickelt, die die Bereitstellung neuer Releases bis in die Produktionsumgebung automatisiert.
• Entwicklung eines Feature Stores und Datensynchronisierung zwischen Umgebungen
• Data Science: Bewertung verschiedener Prognosemodelle, darunter CatBoost, Contextual Gamma und Random Forest; Implementierung von Trainingspipelines mit Kubeflow auf Vertex AI; Skalierung und Entwicklung einer ereignisgesteuerten Schnittstelle mit Kafka als Prognoseservice; Bewertung von MLFlow für Modellverfolgung und Modellregister
• Implementierung einer REST-API mit KeyCloak OAuth2 und OpenID (JWT)
• Monitoring: Implementierung von Dashboards mit Grafana, Prometheus, Mimir, Streamlit und Loki zur Überwachung von Prognosemetriken, GCP- und Snowflake-Kosten für Pipelines sowie Systemmetriken
• Entwicklung von Copilot Agent Skills