Argo CD Experten in München

• 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 Ressourcbereitstellung (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 in der 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, 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 die 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 remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

Projekt: Steuern Freistellungsauftrag Anwendung

Der Kunde verfügt über eine bestehende Anwendung zur Erstellung und Pflege von Steuerbefreiungsaufträgen für Endkunden; Konzeption und Implementierung einer vergleichbaren Anwendung für interne Mitarbeiter.

• Entwurf und Implementierung von Microservices und der UI für den Fachbereich „Steuerbefreiungsaufträge“ unter Anwendung von Domain Driven Design sowie Spring Boot und Angular.
• Implementierung reaktiver, nicht-reaktiver und asynchroner APIs (Spring REST, WebFlux, GraphQL).
• Entwicklung der Angular-Anwendung, einschließlich State Management mittels Signals, RxJS Observables und Subscriptions.
• Absicherung der API und der Anwendung unter Verwendung von OAuth2, JWT und OpenID Connect.
• Konfiguration und Einrichtung von CI/CD-Pipelines mit Jenkins.
• Zusammenarbeit mit funktionsübergreifenden Teams sowie Durchführung von Code-Reviews.

Umfeld: Java, Spring Boot, Angular 18 & 19(standalone, signals), RxJs, Bootstrap CSS, Vitesting, OpenShift, Istio, microservices, Kafka, Dynatrace, Jenkins, GitLab, Graylog, Sonar, Oauth2, OracleDB

• Anpassung, Optimierung, Konfiguration und Administration einer Multi Stage GitLab Instanz mit über 250 Usern
• Aufbau, Anpassung, Erweiterung und Optimierung von Infrastruktur, Konfiguration und Monitoring
• Bereitstellung von Services sowie Übergabe an Produktion
• Systemumgebung: DependencyTrack, GitLab, Grafana, Hedgedoc, Kubernetes, Oauth2 Proxy, Openstack, Prometheus, Syseleven

• 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

• Verantwortlich für die Administration von OpenShift/Kubernetes On-Prem und den Entwickler-Support.
• Automatisierte die URP-Infrastruktur mit Python, Ansible, Kustomize sowie dem ArgoCD- und Argo Workflow/Events-Stack.
• Schrieb Smoke- und Lasttests für die URP-Infrastruktur mit Python, Kustomize und ApplicationSets.
• Unterstützte beim Aufbau und der Bereitstellung der URP-Infrastruktur in Google Cloud (GKE).
• Implementierte Monitoring für die URP- und ArgoCD-Umgebung mit Splunk Cloud.
• Führte Systemadministrationsaufgaben auf RedHat Linux, Kubernetes/OpenShift, ArgoCD, GitLab, Bitbucket Enterprise, Kafka und MongoDB durch.

• Aufbau einer eigenständigen Unternehmens-IT — Cloud-Strategie, Netzwerk, AWS Landing Zone, Sicherheitsanforderungen, Vertragsverhandlungen.
• Migration aller Anwendungen; Vermeidung hoher Vertragsstrafen für den Kunden.
• Onboarding und Steuerung inte...

• Arbeitete als freiberuflicher Senior DevOps-Berater vor Ort für IBM bei einer Agentur der Europäischen Union in einer hochsicheren, luftabgetrennten Umgebung und verwaltete klassifizierte Systeme.
• Führte Automatisierungs- und DevOps-Initiativen für eine großangelegte OpenShift-Plattform (>400 Knoten) an, steigerte die Bereitstellungseffizienz, die GitOps-Einführung und die operative Automatisierung mit Ansible, Python und Bash und stellte gleichzeitig die Einhaltung der Sicherheitsvorgaben sicher.
• Leitete die Automatisierung von Release- und Deployment-Workflows in einer Private-Cloud-Umgebung mit über 400 OpenShift-Knoten und verbesserte dadurch deutlich die Geschwindigkeit und Zuverlässigkeit der Bereitstellungen.
• Migrierte bestehende Playbooks, Rollen und Templates von Ansible Tower zur Ansible Automation Platform (AAP), stellte die vollständige Einhaltung der vollqualifizierten Collection-Namen (FQCN) sicher und bereitete angepasste Execution Environments (EE) für containerisierte Automatisierung vor.
• Implementierte einen GitOps-Agent für die AAP-Controller-Konfiguration als Code und ermöglichte so die automatisierte Synchronisation (CRUD) von Ansible-Controller-Objekten anhand im Repository gespeicherter Konfigurationsdefinitionen mittels GitHub-Webhooks.
• Entwickelte und automatisierte komplexe mehrstufige Betriebs-Workflows, darunter Umgebungscleanup, Neuaufbau von Helix-Cluster-Komponenten, Kafka-Topic-Management und Lifecycle-Management von OpenShift-Objekten in etwa 100 Umgebungen.
• Erreichte durch Automatisierungsverbesserungen über mehrere AAP-Cluster und OpenShift-Umgebungen hinweg eine Reduzierung mehrtägiger manueller Abläufe auf wenige Stunden.
• Integrierte die Ansible Automation Platform mit dem Thycotic (Delinea) Secret Server über ein Lookup-Plugin, um das sichere Management von Zugangsdaten in automatisierten Prozessen zu verbessern.
• Übernahm Deployment-Aufgaben, Fehlerbehebung auf Plattformebene und Konfigurationen des Istio-Netzwerks unter Einhaltung strenger EU-PSC-Sicherheits- und Compliance-Standards.
• Arbeitete mit Infrastruktur- und Applikationsteams zusammen, um Bereitstellungsverfahren zu verfeinern, Namenskonventionen zu entwickeln und die Automatisierungsabdeckung in einer luftabgetrennten, klassifizierten Umgebung kontinuierlich zu verbessern.

• 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.

• Lead-Architekt für die Gestaltung und Umsetzung des Data Lake und der ETL-Pipeline mit dem AWS-Stack
• Leistungsoptimierung der Datenaufnahme der ETL-Pipeline
• Entwicklung der Datenvalidierung mit Great Expectations
• Leitung der Datenmigration für zwei Quellsysteme
• Datenmodellierung in AWS Redshift

MLOps

• Implementierung der Modell-Inferenz mit mlflow und AWS SageMaker
• Feature Engineering für die laufenden ML-Modelle (Recommender Engineer, Clustering)
• Implementierung von Model Registry und Artifactory mit mlflow
• Historisierung und Profiling der Eingabedaten mit AWS Glue Crawler und AWS Data Catalog
• Feature Importance mit mlflow

Tech. Stack: Python 3, AWS Glue, AWS Step Function, AWS Lambda, AWS EventBridge, AWS IAM Role, AWS SageMaker, AWS EC2, AWS Glue Crawler, AWS CloudWatch, MLFlow, ETL, Data Lake, GitHub Action, Terraform, Jenkins, Ansible Playbooks (Infrastructure as Code), CI/CD, GitLab, SQL, PySpark, Scrum, Agile, Jira, Big Data, VSCode, DBeaver, MSSQL, MySQL, Grafana, Docker, Linux, Bash, MapReduce, Datenmodellierung (ORM), Pandas, YAML, SQL-Alchemy

• Konzipierte und implementierte eine Enterprise-KI-Agentenplattform auf Basis einer Retrieval Augmented Generation (RAG)-Architektur, um Einblicke in klinische Daten zu verbessern.
• Errichtete robuste CI/CD-Pipelines für LLM-Anwendungen mit CDK und Jenkins und verkürzte dadurch die Bereitstellungszeiten deutlich.
• Führte umfassende Observability-Lösungen ein, die die Zuverlässigkeit der Agenten in pharmazeutischen Umgebungen steigerten.
• Entwickelte skalierbare KI-Workflows mit fortschrittlicher Orchestrierung, die das Kontextmanagement für Unternehmensdatenquellen optimierten.
• Technologien: KI-Agenten (LangChain, LangGraph, Bedrock, Smolagents, Streamlit); LLM-Betrieb (Tracing, Testing, Evaluation, LangSmith, LangFuse); Infrastructure-as-Code (AWS CDK, Terraform, Typescript, Jenkins); Vektoren, Einbettungen, RAG (OpenSearch, pgvector, PDF-Extraktion)

• Betrieb und Erweiterung von Azure DevOps-Pipelines

• Betrieb und Erweiterung von AWS-Services

• Citrix (Windows 10, Bitwarden)

• AWS: ECR, EKS, CloudFront CDN, Route 53, VPC-Peering und CNI-Upgrade, Atlas MongoDB, S3-Buckets, statisches Hosting von Websites

• Azure: Erstellen und Bereitstellen mit DevOps-Pipelines

• JEE Softwareentwickler
• DevOps-Ingenieur
• Java, JEE, JBoss/WildFly, Vaadin, CI/CD Pipelines, Jenkins, Maven, Git, Oracle Datenbank, MSSQL Server Datenbank

• Plattform: Python-Ökosystem, RHEL 8, K10, AWS IoT Core, AWS Lambda, MLOps
• Software: Java JEE/Cloud, IntelliJ IDEA, AWS IoT Core, AWS Edge und Lambda, AWS SageMaker SDK, Docker Compose, Kubernetes, Openshift 4, Tekton, Flux, Helm Charts, JSON/XML-Technologien, Nginx, Apache Spark, OpenAI (GPT Plus, DALL-E 3, Whisper), GAN, GitHub Copilot, KI, Machine Learning, Deep Learning, Jupyter Notebooks, TensorFlow 2, Colab, Keras API, Prometheus, Grafana, Conda, Python 3.9, SciPy-Stack (NumPy, pandas, scikit-learn, matplotlib)
• Zuständig für Webinar:
• IoT Edge Computing, Architektur, Komponenten, Ressourcen, Management
• IoT Edge Computing mit MicroK8s, Design und Erstellung von Flows/Diagrammen für AWS, Three-Step-Modell für IoT-Ökosystem
• IoT-Prozesse, Konnektivität, Datentransfer und Deployment, Sicherheit
• Optimierung des Edge Computing für Netzwerke, Services im IoT (AWS SQS Queue, SNS-Benachrichtigungen, Events, Analytics, Button, Device Management/Defender, Things Graph)
• Machine-/Deep-Learning-Frameworks (Modelle, Training, Optimierung der Pipelines, Deployment in der Cloud/am Edge, Monitoring der Workloads mit Prometheus und Grafana)
• Performance-Optimierung für niedrige Latenz/Resilienz mittels adaptiver ML/DL/RL-Modelle für Kundendaten aus dem IoT
• Analyse großer Sensordatenmengen mit Apache Spark, Kafka-Clustern
• Kasten K10 Data Management Platform auf Kubernetes-Multi-Cluster mit Helm Chart: Deployment, Backup/Disaster Recovery (RTO/RPO), Data Lifecycle und Security Management
• Implementierung eines mehrschichtigen neuronalen Netzes (ANN) mit TensorFlow 2 und Colab für Regression und Klassifikation; Datenanalyse und Aufbereitung für Applikationen; Entwicklung von Test- und Trainingsmodellen; Deployment der Modelle
• Automatisierung von Business-Streamline-Prozessen mit KI (Azure OpenAI, Discord-Bots/Zapier, AI-Assistenten-Apps IntelliJ, GitHub Copilot)