Automatic Speech Recognition Experten in Deutschland

• Einführung von 5 verschiedene Prozess-Anwendungen für unterschiedliche Teams

• Planung von Release: Scope- und Zeit-Management

• Ressourcen-/Kapazitätsplanung

• Durchführung von Sprint-Planning / Retrospektiven

• Inkrement-Planung (mehrere Sprints)

• Vorbereitung Lenkungskreis-Meetings / Reporting an Vorstand

• Koordination / Abstimmung mit externen Lieferant / Lieferungen

• Ressourcenplanung Multi-Projekte

• Abstimmung mit Fachbereich und Entwicklungsteam

• Ermittlung der Best-Practice mit IBM BAW

• Kosten-Kontrolle und Planung des Projektteams und externer Dienstleister

• Erhebung KPIs mit Hilfe von LogScale

• Analyse von Anwendungsfehler mit LogScale / Queries

• User Story Definitionen / Abstimmung der Anforderung mit dem Fachbereich und Entwicklungsteam

• Tests und Fehler-Tracking

• UI/UX-Entwurf von Anwendung

• Vorbereitung und Moderation von Brown-Paper-Workshop

• Testkonzept, Testdaten, Testorganisation, Testdurchführung

• Erfassung von Team Velocity / Metriken

• Testdurchführung

• Skript für automatisiertes Testen

• Testorganisation mit Fachbereich und IT

• Erfassung und Priorisierung der Fehler

• Aufbau und Betrieb der Anwendung

• Aufbau von Monitoring der Anwendung mit LogScale Dashboards

• Überprüfung von Health-Endpoints mit PowerShell

• Post-Mortem-Analyse

• Aufbau Incident Management

• Aufbau Problem Management

• Analyse von Fehlern mit Hilfe von LogScale Queries und Dashboard

• Pre-Processing von Daten für die KI

• Durchführung der Evaluation mit KI-Sprachmodellen (Meta Llama 3.3 LLM und deepset Haystack) und RAG

• Installation Laufzeitumgebung für LLMs (Large Language Model)

• Evaluierung von verschiedenen LLMs

• Installation von RAG (Retrieval Augmented Generation) und Integration mit LLM

• Extraktion von unstrukturierten Daten mit LLM und RAG

• Projekt basiert auf IBM BAW (Business Automation Workflow), Websphere Liberty, Domea, d.3, REST, LogScale (ehemalig Humio), Swagger, Powershell, JIRA, Confluence, Lucom Interaction Platform (LIP), Mattermost, Jabber

• Verantwortung für die Konzeption, Planung und Umsetzung der Produktentwicklung von GetMyInvoices 2.0 und der Unterkomponente InvoiceRails
• Eigenständige Arbeit an allen Aspekten des Projekts, einschließlich Konzeption, Spezifikation in Tickets und Koordination der Entwickler
• Erstellung, Verwaltung und Priorisierung von Tickets, um sicherzustellen, dass alle Aufgaben termingerecht und in hoher Qualität abgeschlossen werden
• Durchführung und/oder Koordination von Tests und Sicherstellung der ordnungsgemäßen Implementierung der entwickelten Funktionen
• Enge Zusammenarbeit mit Entwicklern, um technische Anforderungen zu klären und sicherzustellen, dass die Umsetzung den Spezifikationen entspricht
• Regelmäßige Berichterstattung über den Projektfortschritt und Dokumentation der wichtigsten Entscheidungen, Änderungen und Risiken
• Übernahme der fachlichen Führungsrolle für alle Themen rund um E-Rechnungen und Peppol, insbesondere in Bezug auf die InvoiceRails-Komponente
• Interne Beratung und Weitergabe von Wissen zu E-Rechnungen und Peppol an andere Teams und Abteilungen
• Beobachtung von Markttrends und neuen Entwicklungen im Bereich E-Rechnungen und Peppol, um die Produktstrategie kontinuierlich anzupassen
• Sicherstellung der langfristigen Skalierbarkeit und Anpassungsfähigkeit der Produkte an zukünftige technologische und gesetzliche Änderungen im Bereich E-Rechnungen

• 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

Projekt: Konzeption und Umsetzung eines AI-Produkts für vier fachliche Anwendungsfälle

Projektleitung eines AI-Projekts bei einem führenden Anbieter für Großverpflegung und Catering, in dem gemeinsam mit einem externen Entwicklungspartner ein produktionsreifes AI-Produkt für vier Anwendungsfälle umgesetzt wurde: automatisierte Briefings aus CRM- und Dokumentendaten, sprachbasierte Erfassung und Strukturierung von Berichten, Erkennung und Zusammenführung von Dubletten in Stammdaten sowie datenbasierte Marktanalysen. Zentraler Schwerpunkt war eine datenschutzkonforme Architektur, die die interne IT-Security-Prüfung besteht und eine produktive Nutzung ermöglicht.

• Übersetzung fachlicher Anforderungen in abgrenzbare AI-Anwendungsfälle mit klar abgegrenztem Produktscope und klarem Nutzenversprechen
• Auswahl und Bewertung von Modellen und Architekturvarianten für Textextraktion, Sprache-zu-Text und Kontextanreicherung aus Fachsystemen, inklusive LLM-Anbindung, Function Calling und Retrieval
• Erarbeitung und Durchsetzung einer Architektur mit europäischem Hosting, Datenminimierung und Maskierung personenbezogener Daten als Voraussetzung für die Freigabe
• Steuerung der Schnittstellen zwischen Fachbereich, IT, IT-Security und externem Entwicklungspartner unter restriktiven Datenzugriffsbedingungen
• Abstimmung mit der CIO- und Geschäftsführungsebene zu Datenzugriff, Risikobewertung und Freigabeentscheidungen
• Vorbereitung der Überführung in den produktiven Einsatz

Konzeption und Entwicklung einer Azure-basierten KI- und Datenplattform, die verteilte Projektdokumente in durchsuchbares, strukturiertes Wissen für einen Enterprise-KI-Assistenten überführt. Kombination aus inkrementeller Dokumentverarbeitung, hybrider Keyword-/Vektorsuche, Wissensgraph-Extraktion und konversationeller KI für Microsoft Teams und Microsoft 365 Copilot. Implementierung von Python-Pipelines zur Verarbeitung von PDF-, Word-, Outlook- und Textdateien; Lifecycle-Management für Azure Cosmos DB; Azure AI Search; Azure AI Foundry und Azure OpenAI; identitätsbewusste Suche mit Microsoft Entra ID; Projektberechtigungen; eines TypeScript-Agenten mit Microsoft Agents SDK; Pulumi-Infrastruktur; robustem Scheduling sowie Werkzeugen für Wiederholungen und Diagnosen. Technologie-Stack: Python, TypeScript, FastAPI, Pydantic, Azure AI Foundry, Azure OpenAI, Azure AI Search, Azure Cosmos DB, Blob/Table Storage, Container Apps/Jobs, Service Bus, Key Vault, Entra ID, Docker, Pulumi, pytest, Microsoft Teams und Microsoft 365 Copilot.

Entwickelte Python-basierte KI-Microservices und Integrationen für eine AEC/VR-SaaS-App auf Unity-Basis, mit Fokus auf LLM-/VLM-Funktionen, retrieval-gestützte Systeme, RESTful APIs, containerisierte Bereitstellung und einen Automatisierungs-Microservice für die CAD-zu-Unity-Pipeline.

• Entwickelte einen eigenen Hybrid-A*-Algorithmus in C#, um Hospitalszenarien zu simulieren und frühe Designkonflikte anhand von Kollisions- und Raumdaten zu erkennen sowie strukturierte Berichte zu erzeugen.
• Löste und automatisierte das zeitaufwändige Problem, CAD-Dateien in nutzbare Unity-Umgebungen zu überführen, mit einer eigens entwickelten Echtzeit-Pipeline und einer ZeroMQ-basierten Kommunikationsebene, um Lasten auf mehrere Prozesse zu verteilen und Echtzeitfähigkeit zu erreichen.
• Entwickelte eine Docker-basierte FastAPI-Pipeline für die CAD-zu-Unity-Automatisierung, die bildbasierte Objekterkennung, Image Embeddings und vorab berechnete Metadaten kombiniert, um CAD-Objekte automatisch Unity-Verhaltensskripten zuzuordnen, Eigenschaften zu setzen und wiederholte KI-Inferenzaufrufe zu reduzieren.
• Erstellte Dokumentation und Beispiele, um technischen Nutzern zu helfen, die KI-Automatisierungspipeline zu verstehen, zu konfigurieren und zu erweitern.

• ▶ Echtzeit-Sprachassistenten entwickelt (STT → LLM → TTS-Pipeline), mehrere STT-Anbieter einschließlich faster-whisper und Azure Speech getestet und bewertet. Latenz von unter 3 Sekunden erreicht, Groq API (Llama 3) mit Multi-Turn-Speicher eingesetzt – einschließlich direkter Behandlung von Sonderfällen bei Diktaten sowie der Erkennung von Namen und Zugangscodes.

Eigenständige Konzeption und Durchführung von Präsenzschulungen für vier Mitarbeitende ohne besondere technische Vorkenntnisse. Vermittlung generativer KI anhand konkreter Aufgaben aus dem beruflichen Alltag.

• Inhalte: Einsatzmöglichkeiten, praktische Anwendung, Prüfung von KI-Ergebnissen, Datenschutz und Umgang mit vertraulichen Informationen.
• Schulungsunterlagen selbstständig aufbereitet und Inhalte zielgruppengerecht vermittelt; schriftliche Referenz vom 14.05.2025 liegt vor.

• Verantwortlich für Konzeption, Kamera, Schnitt, Animation und Grading bei Corporate- und B2B-Produktionen
• Steuerung der Projekte von der Kalkulation über Dreh und Post bis zur Auslieferung
• Seit 2023 durchgängig KI-gestützte Produktionspipeline: Runway, Kling, Veo, Sora und Seedance für Bild und Bewegtbild
• ComfyUI für Charakter-Konsistenz, ElevenLabs für Voice, HeyGen für Avatare
• Aufbau reproduzierbarer Workflows für skalierbare Social-Formate
• Aufbau lokaler LLM-Infrastruktur auf eigener GPU-Hardware: Ollama, Multi-Agent-Systeme, RAG, Speech-to-Text und Text-to-Speech
• Prozessautomatisierung für Lead-Generierung, E-Mail- und API-Workflows, Reporting und Dokumentenerstellung

• Leitung eines Teams von 15 Annotatoren bei groß angelegten Computer-Vision-Projekten für autonome Fahrzeugsysteme
• Entwicklung umfassender Annotationsrichtlinien, wodurch die Übereinstimmung zwischen Annotatoren um 35 Prozent verbessert wurde
• Einführung von Qualitätskontrollprozessen, die die Fehlerquote in allen Projekten um 42 % senkten
• Zusammenarbeit mit ML-Ingenieuren zur Identifizierung von Sonderfällen und Verbesserung der Datenqualität
• Verwaltung von Annotationsprojekten für Fortune-500-Kunden mit 100 % termingerechter Lieferung

• Entwicklung eines Trend-Scouting-KI-Systems zur Automatisierung der Technologiebeobachtung in der Leistungselektronik und bei Halbleitern. Dabei kamen Azure OpenAI und LangChain, webbasiertes Crawling mit Scrapy zur strukturierten Datenerfassung ohne störende Inhalte sowie die automatische Erstellung von PDF-Berichten für die interne Forschung und Entwicklung zum Einsatz. Entwicklung einer FastAPI-basierten (Uvicorn) Webanwendung zur Validierung von LLM-Ausgaben, zum Testen von Prompt-Strategien und zur interaktiven Bewertung des Systems.
• Entwicklung eines Echtzeit-Debuggers für binäre STM32-Telemetriedaten mit einer PyQt-basierten grafischen Benutzeroberfläche. Dazu gehörten eine rahmensynchrone Verarbeitung anhand von Headern, Anomalieerkennung, vorlagenbasierte Nutzdaten-Decodierung, zeitlich synchronisierte Pufferung und die Live-Visualisierung von Signalen.
• Entwicklung eines KI-gestützten Entwurfstools für Leistungsinduktivitäten mit Ersatz-Regressionsmodellen für präzise elektromagnetische und thermische Vorhersagen. Integration der Multi-Objective-Optimierung NSGA-II zur Erstellung effizienter und fertigungsgerechter Designs.

• Ich coache internationale Tech-Fachkräfte in beruflichen Übergangsphasen und helfe leistungsstarken Menschen dabei, von reaktiven Entscheidungen zu klaren, an ihren Werten ausgerichteten Entscheidungen für Karriere und Leben zu gelangen.
• Ich kombiniere meinen Hintergrund in Softwareentwicklung und Beratung mit Coaching-Expertise, um Herausforderungen gezielt anzugehen, die für die Tech-Branche typisch sind, darunter beruflicher Stillstand, Impostor-Syndrom und Unsicherheit über die Auswirkungen von KI auf die Branche.
• Zu den messbaren Ergebnissen meiner Klient:innen gehören mehrere gleichzeitig laufende Bewerbungsprozesse nach einer mehrjährigen beruflichen Pause, die Gründung unabhängiger Produktunternehmen, der Wechsel in technische Rollen mit verbesserter finanzieller Stabilität und Arbeitsleistung sowie der Übergang in nicht-technische Berufe.
• ~200 Stunden Coaching-Sitzungen. Ich habe Klient:innen in 1:1- und Gruppen-Coachings begleitet, von einzelnen Sitzungen bis hin zu einjährigen Partnerschaften, mit Fokus auf nachhaltigem und an den eigenen Werten ausgerichtetem beruflichem Wachstum.

End-to-End-Verantwortung für alle Produkte – Konzeption, Architektur, Entwicklung und Produktivbetrieb als alleiniger Entwickler; daneben Kundengespräche, Angebote und Marketing.

Underwriting Copilot – KI-Assistent für die Industrieversicherung (produktiv im Kundeneinsatz)

• Unterstützt Underwriter bei der Analyse industrieller Versicherungs-Submissions – im Produktivbetrieb bei einem Industrieversicherer.
• Framework-unabhängige RAG-Architektur mit Hybrid Search (BM25 + pgvector) über große, heterogene Dokumentbestände.
• Zweistufige Evaluations- und Observability-Pipeline (Code-Assertions + LLM-as-Judge), die Antwortqualität, Retrieval-Genauigkeit und Citation-Integrität regressionssicher messbar macht.

Kaiki Menu Analyzer – Data-Intelligence-Plattform (produktiv im Kundeneinsatz)

• Erfasst und analysiert automatisiert Speisedaten aus rund 25.000 deutschen Restaurants.
• Skalierbare 7-Container-Architektur (FastAPI, partitioniertes PostgreSQL, Redis/RQ) mit LLM-gestützter Extraktion strukturierter Daten aus PDF, HTML und Bildern.
• Vollständige CI/CD-Pipelines (GitHub Actions), produktives Cloud-Deployment, interaktive Dashboards (Dash).

Kaiki GEO Atlas – GEO-Plattform (produktiv im Kundeneinsatz)

• Misst die Marken-Sichtbarkeit über fünf KI-Engines (ChatGPT, Gemini, Perplexity, Grok, Claude), jede web-search-augmentiert, orchestriert als DAG-Workflow-Pipeline (Dispatcher → Sub-Workflows → Scoring → Report) mit Fail-Isolation.
• 6-Container-Deployment (FastAPI, Celery, Redis, PostgreSQL); LLM-Kostenschätzung, PDF-Audit-Report, regelbasierte Cross-Signal-Insights (kein zusätzlicher LLM-Aufwand).

Data Pipeline & Analytics Platform – Wettbewerbsanalyse im Automotive-Aftermarket

• Automatisierte Daten-Pipeline mit Gap-Analyse-Algorithmen und rollenbasierter Zugriffskontrolle; 230+ Tests.
• Backend mit FastAPI, PostgreSQL, SQLAlchemy.

Produktentwicklung (in aktiver Entwicklung)

BankingGPT – KI-Assistent für das Beschwerdemanagement im Genossenschaftsbanking

• Sicherheitsarchitektur im Kern: kein KI-Entwurf erreicht den Kunden ohne menschliche Freigabe – die Freigabe-Entscheidung liegt in auditierbarem Code, nicht im Sprachmodell (monoton: das Modell darf hochstufen, nie senken).
• Echte agentische Bausteine, jeder mit eigener Grenze: das Modell wählt selbst Werkzeuge über einen MCP-Server (nur-lesend, Allowlist, gedeckelt, fail-safe); heikle Fälle gehen per offenem A2A-Protokoll (JSON-RPC, Agent Card, message/send/tasks/get; Client selbst implementiert) an einen eigenständigen Fach-Agenten (Wertpapier/Recht), der die Prüfpflicht nie senkt (per Test gepinnt).
• Evaluations-getrieben über zehn Analyse-Runden; deckte per unabhängigem Review und Blind-Tests einen Sicherheitsdefekt auf, den neun automatisierte Läufe übersehen hatten.
• Voice-AI-Frontend, live antwortend: gedeckte Fälle werden im Gespräch beantwortet, heikle eskalieren vor der Generierung; Antwortlatenz < 7 s gemessen (lokale GPU-STT/TTS).

Stack & Produktionsnähe: Python, pydantic-ai, FastAPI/Celery, PostgreSQL/pgvector, FastMCP, fasta2a, Docker; mehrmandantenfähig (physische Vektor-Isolation je Mandant), PII verschlüsselt, OWASP-LLM-reviewt, 275 Tests, CI/CD; anbieter-portabel (Ollama / EU-Cloud-Vertex).

After-Sales Assistant – agentischer RAG-/GraphRAG-Assistent auf öffentlichen OEM-Handbüchern (Automotive After-Sales)

• Genuin agentisch auf LangGraph: ReAct-Agent mit vier Werkzeugen und Gesprächsge-dächtnis – das Modell entscheidet selbst, ob es das Handbuch (RAG, Chroma), einen Wissensgraphen (GraphRAG, Neo4j/Cypher – Warnleuchten dekodieren) oder einen Werkstatt-/Buchungsdienst anspricht.
• Human-in-the-Loop vor der irreversiblen Aktion: vor jeder Terminbuchung pausiert der Graph (interrupt) und holt die ausdrückliche Bestätigung des Fahrers – dieselbe Freigabe-vor-Aktion-Disziplin wie in BankingGPT, in einem anderen Framework.
• Eval als CI-Gate: dreiteiliges Scorecard (RAGAS-Grounding + deterministische Tool-Routing-Genauigkeit + DeepEval-Safety: führt die Antwort bei kritischer Warnung zuerst die Warnung an?) blockt die Pipeline; provider-agnostisch (OpenAI/Azure/Anthropic), FastAPI mit Token-Streaming.

Stack: Python, LangChain/LangGraph, Chroma, Neo4j, RAGAS/DeepEval, FastAPI, Docker.

• Entwicklung und Einführung einer browserbasierten Plattform für Kamera-Streaming, Augmented Reality (AR) und visuelles Computing
• Endgeräteunabhängiges Kamera-Streaming für Smartphones, Tablets, Desktop-PCs sowie VR- und AR-Brillen
• Gewährleistung DSGVO-konformen Hostings in Open Telekom Cloud und weiteren souveränen Cloudanbietern
• Intuitive visuelle und kollaborative Funktionen zur Effizienzsteigerung und nahtlosen Integration in bestehende Unternehmenssoftware