Artificial Intelligence Experten in Dortmund

• Konzeption und Bereitstellung von End-to-End-Machine-Learning-Pipelines für Klassifizierungs- und Prognosedatensätze mit Sicherstellung von Robustheit und Reproduzierbarkeit durch Best Practices im MLOps-Bereich.
• Direkter Beitrag zur Verbesserung der Genauigkeit von LLM-Modellausgaben durch die Entwicklung und Ausarbeitung spezialisierter Prompts auf Grundlage der Logik von End-to-End-ML- und SciML-Pipelines.
• Entwicklung von Trainingsdaten für große Sprachmodelle durch die Formulierung von Programmieraufgaben, die von den Modellen nicht gelöst werden konnten, sowie anschließende Dokumentation der korrekten Lösungen.

Entwicklung KI-nativer digitaler Produkte durch die Kombination von Produktstrategie, UX-Forschung, Interaction Design, Software Engineering und modernen KI-Workflows. Leitung von Projekten von der Discovery bis zur Umsetzung, wobei KI über den gesamten Produktentwicklungszyklus hinweg integriert wird.

Hauptaufgaben

• → Product Discovery, Stakeholder-Workshops, Jobs-to-be-Done und Nutzerforschung
• → User-Journey-Mapping, Informationsarchitektur und Interaction Design
• → Wireframes, High-Fidelity-UI, Prototypen und skalierbare Design Systems in Figma und Penpot
• → KI-gestützte Oberflächengenerierung und schnelle Konzeptentwicklung mit Figma AI, Figma Make und generativen Design-Workflows
• → Design-to-Code-Workflows mit KI-gestützter Frontend-Generierung und Zusammenarbeit mit Engineering
• → Aufbau barrierefreier Oberflächen nach WCAG 2.2 und Enterprise-Design-Standards
• → Usability-Tests, iterative Validierung und KPI-getriebene Produktoptimierung
• → Entwicklung von KI-Wissenssystemen, MCP-gestützten Design-Workflows und Human-in-the-Loop-Review-Prozessen
• → Enge Zusammenarbeit mit Engineering-Teams, um eine produktionsreife Umsetzung sicherzustellen

Tätigkeit:

• Design und Aufbau eines Proof-of-Concept (PoC) für eine zukunftsfähige Virtualisierungsplattform unter Berücksichtigung sicherer Systemarchitekturen
• Bewertung des Ist-Standes bestehender Infrastrukturen und Erarbeitung von Auswahl- und Bewertungskriterien für die geeignete OS-Virtualisierungsplattform
• Durchführung der Anforderungsanalyse mit nachfolgender Erstellung und Priorisierung von Tickets im Ticketsystem
• Fertigstellung und kontinuierliche Vervollständigung einer Tool-Bewertungsmatrix basierend auf PoC-Ergebnissen
• Unterstützung des Wissensaufbaus im Team durch nachvollziehbare Dokumentation der Vorgehensweise und Ergebnisse in Confluence
• Enterprise-Analyse der Bestandshardware (Erstellen verschiedener BoMs)

Technologien: Vmware, Vmware Aria Operations, Osism, Canonical OpenStack, FishOs, Linux, Terraform, Ansible, Confluence, Alma

• Mitarbeit in einem FTTx-/Telekommunikationsprojekt im Projektumfeld
• Unterstützung bei der operativen Projektkoordination und Nachverfolgung von Aufgaben
• Nutzung von Jira zur Anlage, Bearbeitung und Nachverfolgung von Aufgaben und Tickets
• Strukturierung und Pflege von projektbezogenen Informationen und Arbeitsständen
• Abstimmung zu offenen Punkten und laufenden Aufgaben innerhalb des Projektteams
• Unterstützung bei der Koordination von Arbeitspaketen und deren Bearbeitungsstatus
• Nachhalten von Aufgaben, Rückmeldungen und offenen Themen
• Mitarbeit an der Schnittstelle zwischen operativer Umsetzung und Projektorganisation
• Praxisnahe Anwendung digitaler Projektmanagement-Tools im laufenden FTTx-Projekt
• Hands-on-Unterstützung bei organisatorischen und operativen Projektaufgaben

• Management von Teilnehmer-, Händler-, Planungs- und Trainingsprozessen in einem stark ausgelasteten Automotive-OEM-Umfeld
• Analyse von Lernsystem- und Teilnehmerdaten, um Lücken bei Abschlüssen zu erklären, Trainingsbedarfe zu erkennen und Projektentscheidungen zu unterstützen
• Verbesserung der Nachverfolgbarkeit von Buchungen und Statusabläufen, damit Kollegen Kundenanfragen klären und offene Maßnahmen nachverfolgen können
• Fachliche Unterstützung und Onboarding von Teammitgliedern
• Arbeit in stark ausgelasteten Trainingsprogrammen für Zielgruppen im Tausenderbereich

Manufacturing-Intelligence-Plattform mit Enterprise-Workflows, RAG, Echtzeit-Funktionen für AI-Assistenten und Backend-Architektur über mehrere Repositories.

• Entwickelte und erweiterte produktive AI-/Backend-Services mit Django, DRF, FastAPI, GraphQL, Celery, PostgreSQL, MySQL, Redis und WebSockets über eine modulare Plattform mit mehreren Repositories.
• Mitgewirkt an ARIS V2, einem Echtzeit-AI-Assistenten für die Fertigung mit LangChain, LangGraph, MCP-Tool-Orchestrierung, Planungs-/Ausführungs-Workflows, OpenAI, AWS Bedrock, Qdrant sowie Retrieval auf Basis von Elasticsearch/OpenSearch.
• Unterstützte die Rollout-Erweiterung von ARIS V1 in 4 von 17 Kunden-Produktionswerken auf ARIS V2, das aktuell in 13 von 17 Werken aktiv ist, und steigerte so die reale Abdeckung auf mehr als 50 % der Kundenumgebung.
• Arbeitete an dokumentengestützter RAG-Funktionalität inklusive Ingestion, OCR, Chunking, Embeddings, Indexing, Retrieval, Reranking und geerdeter Antwortgenerierung für industrielle Workflows.

Stack: Python, Django, DRF, FastAPI, LangChain, LangGraph, GraphQL, Celery, WebSockets, OpenAI, AWS Bedrock, Qdrant, Elasticsearch/OpenSearch, PostgreSQL, MySQL, Redis, Docker.

• MVP-fokussierte Full-Stack-Architektur für einen Kunden im Gesundheitswesen bereitgestellt: Vite/React-Frontend, Backend-Services auf Google Cloud Run und Supabase für Datenbank sowie IAM/Authentifizierung.
• Produktanforderungsanalyse unterstützt und eine kostenoptimierte Workload-Platzierung priorisiert, indem Browser-/Edge-Berechnungen umgesetzt wurden, wo möglich, bevor Logik in die Backend-Services verschoben wurde.

• Vollständiger Greenfield-Neuaufbau über den gesamten Stack — AI-native umgesetzt: Backend in Go und NestJS, PostgreSQL (CNPG) auf K3s mit GitOps/Terraform; Frontend mit Angular 22, zonenlos.
• Coding-Agenten (z. B. Claude Code, Cursor) über den gesamten Lifecycle orchestriert — Architektur, Implementierung, Tests, Reviews und Dokumentation — auf Basis von Specification-Driven Development (SDD).
• „Bruno“ — LLM-Kommentator-Persona mit RAG und MCP für eine konsistente Persönlichkeit über alle Generierungen hinweg (Vorberichte, Nachberichte, eigene virtuelle Wetten).

Angular 22 (zoneless, ohne Zone.js), Claude Code, Claude Code Skills, CNPG, Cursor, Design Tokens (Spec for Code), Docker, Gherkin, Git, GitLab, GitOps, Go, Google Gemini, Grafana, Hetzner Cloud, K3s, Keycloak, Kubernetes, Lighthouse, LLM-Integration, Model Context Protocol (MCP), NestJS, Node.js, NPM, Playwright, PostgreSQL, Prometheus, RAG, REST, Specification-Driven Development (SDD), Structured Outputs, Terraform, TypeScript, Vitest

• Technische Konzeption, Priorisierung und praktische Umsetzung von KI-Automation-, Conversational-AI-, Voice-AI- und Private-AI-Lösungen.
• Übersetzung fachlicher Anforderungen in Systemarchitektur, Gesprächs-/Workflow-Logik, APIs, Datenflüsse und produktionsnahe KI-Workflows.
• Entwicklung von Backend- und Integrationskomponenten mit Python/FastAPI, PostgreSQL/pgvector, Redis, REST APIs, Webhooks und Background Jobs.
• Konzeption und Implementierung von RAG-Architekturen mit lokalen/privaten LLMs, Embeddings, Dokumentenverarbeitung, semantischer Suche und kontrolliertem Zugriff auf Unternehmenswissen.
• Prompt Engineering für LLM- und Voice-/Conversational-AI-Anwendungen; iterative Optimierung anhand realer Abläufe, Systemreaktionen und Qualitätsanforderungen.
• Praktische Arbeit mit ElevenLabs und dessen APIs in einem Voice-AI-Projekt sowie technische Bewertung und Integration von Voice-AI-Komponenten.
• Deployment und Betrieb Docker-basierter Systeme auf Linux mit Nginx, CI/CD, Monitoring/Logging, Backup/Restore und reproduzierbaren Deployment-Prozessen.

• Product Owner für das Team für digitale Bereitstellung
• Boschweites Digitalisierungsprojekt für die Auslieferung von Software
• Technologien: SAP EMS, JFrog, Revenera
• Durchführung von PI-Plannings

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

• Strukturierte Support-Workflows und Bewertungsverfahren entwickelt und optimiert und dabei konsequent Qualitätsstandards über hochvolumige operative Aufgaben hinweg angewendet.
• Leistungskennzahlen überwacht, um systemische Probleme zu erkennen und gezielte Verbesserungen voranzutreiben — eine Fähigkeit, die direkt auf die Analyse von LLM-Leistungskennzahlen übertragbar ist.
• Eskalationen betreut und hohe Genauigkeits- und Zufriedenheitsstandards in einer vollständig asynchronen, Remote-First-Umgebung aufrechterhalten.

Conventional Paradigm Test (CPT) – KI-Evaluation & LLM-Forschung

Entwicklung eines experimentellen Evaluationsansatzes zur Untersuchung von „paradigmatic closure“ in Large Language Models – also der Frage, inwieweit LLMs die grundlegenden Annahmen, Wertungen und Grenzen der Paradigmen erkennen können, innerhalb derer sie Antworten generieren.

Konzeption und Erprobung eines ergänzenden Ansatzes zu klassischen AI-Benchmarks, der nicht primär faktische Richtigkeit oder Task Performance misst, sondern die Fähigkeit von Modellen untersucht, alternative Perspektiven zu erkennen, implizite Annahmen offenzulegen und die Grenzen des eigenen Antwort- bzw. Deutungsrahmens zu reflektieren.

Schwerpunkte: Entwicklung von Evaluationskriterien und Testfragen · LLM Evaluation und Comparative Model Analysis · Prompt- und Response-Analyse · qualitative Klassifikation von Modellantworten · Untersuchung von epistemic compression und value leakage · Benchmark- und Literaturrecherche · Entwicklung strukturierter Bewertungs- und Analyseverfahren

Im Rahmen von CPT wurden u. a. bestehende AI-Evaluationsansätze und Benchmarks analysiert sowie ein minimalistisches Testprotokoll entwickelt, das Modellantworten nach Reaktionsmustern wie DIRECT, CLARIFY, PLURALIST, REFUSE und META-AWARE klassifiziert. TruthfulQA wurde dabei als Testgrundlage für die experimentelle Anwendung und den Vergleich mit bestehenden Referenzantworten eingesetzt.

Technologien & Methoden: Large Language Models (LLMs) · Generative AI · Prompt Engineering · AI Evaluation · TruthfulQA · Benchmark Analysis · Human-in-the-Loop Evaluation · Qualitative Content Analysis · Research & Literature Review

• Entwicklung eines automatisierten Job-Scout-Workflows zur Aggregation und LLM-basierten Bewertung von Stellenanzeigen aus RSS-Feeds und APIs.
• Entwicklung eines Telegram-Bots für Sprach- und Textnachrichten mit LLM-gestützter Verarbeitung, Zusammenfassung und strukturiertem JSON-Output.
• Umsetzung eines persönlichen Task-Planning-Assistenten mit n8n, OpenRouter und Supabase für die automatisierte tägliche Planung und Wissensorganisation.
• Entwicklung von LLM-Chatbots für strukturierte Wissensabfragen mit Prompt-Einschränkungen, Guardrails und erzwungenen Ausgabeformaten.