
Auto Scaling Experten in Deutschland
aufbauen, in wenigen Minuten von KI vermitteltBeauftragen Sie Experten, die elastische AWS-, Azure- und Google-Cloud-Umgebungen entwerfen, Skalierungsrichtlinien optimieren und zuverlässige Infrastrukturänderungen automatisieren. Lassen Sie sich präzise mit geprüften, verfügbaren Freelancern zusammenbringen, die Ihr Auto Scaling-Projekt schnell unterstützen können.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Auto Scaling eingesetzt haben
Vasco F.
Letzte Position:
Senior AI-Ingenieur (Freiberuflich) bei RWE
Databricks-Architektur & KI-Datenprodukte [Databricks Apps · Unity Catalog · Delta Lake · Lakebase · Asset Bundles · Azure DevOps · MCP]
- Entwarf eine mehrschichtige Databricks-Finanzdatenarchitektur: Apps/FastAPI für die Bereitstellung, modulare Python-Berechnungsengines, SQL/Delta für kontrollierte Analysen und Unity Catalog Volumes für versionierte Workbook-Ausgaben.
- Integrierte operative Daten aus Lakebase PostgreSQL mit Analysen im SQL Warehouse und hielt transaktionale und analytische Zugriffe durch die App-Service-Principal-Identität, kurzlebige Zugangsdaten und kontrollierte, schreibgeschützte Datenschnittstellen getrennt.
- Definierte eine DEV/TST/PRD-Bereitstellungsarchitektur mit Databricks Asset Bundles und automatisierter Azure DevOps CI/CD, einschließlich wiederverwendbarer Umgebungskonfigurationen, OAuth-M2M-Identitäten und automatisierter Verwaltung des Lebenszyklus von Anwendungen und Ressourcen.
- Entwarf Zugriffsgrenzen für Apps, SQL Warehouses, Unity-Catalog-Tabellen/Funktionen/Volumes und Secret Scopes. Trennte Deployment-, Anwendungs- und SQL-Identitäten durch deklarative Ressourcenberechtigungen und umgebungsspezifische Authentifizierung.
- Entwickelte serverlose Spark-Pipelines für Geodaten und eine nachvollziehbare Speicherarchitektur, die unveränderliche Volume-Artefakte, Revisionsverläufe und eine nur ergänzbare Delta-Historie mit dauerhaft gespeicherter Audit-Ereignisübermittlung verbindet.
- Verknüpfte AI-Hub-Agenten über typisierte REST/MCP-Schnittstellen mit kontrollierten Databricks-Finanz-Workflows. Implementierte CAPEX/OPEX-, Commercial-, Lease- und IRR/NPV-Engines mit Szenariovalidierung und Konsistenzprüfungen für Workbooks.
Yavuz Ö.
Letzte Position:
Full-Stack-Entwickler – praxisnahe Projektarbeit bei Sybarium Limited
Unternehmen aus dem Industriesektor
Projekte während der Umschulung
- Unternehmenswebsite von WordPress auf einen modernen Stack mit Astro und TypeScript neu aufgebaut, deployed auf Vercel (live unter sybarium.vercel.app); Ablösung des Legacy-CMS durch ein schnelleres, wartbares System.
- Seitenladezeit um ~80 % reduziert (von 5 s auf unter 1 s) durch Optimierung, Caching und Asset-Optimierung.
- n8n-Automatisierungs-Workflows entwickelt, die mehrere REST-APIs und interne Systeme integrieren und über 3 Stunden manuelle Arbeit pro Woche einsparen.
Samuel K.
Letzte Position:
Gründer & Agentic-AI-Ingenieur bei Agentakt LLC
Unabhängige Engineering-Praxis mit Schwerpunkt auf kundenspezifischen KI-Systemen, produktiver Umsetzung und anteiliger technischer Leitung.
Ausgewähltes Kundenprojekt: Scalutions
Rolle: Tätigkeit als anteiliger CTO und technischer Leiter mit direkter Entwicklungsverantwortung; verantwortlich für die Architektur und die agentische Infrastruktur hinter dem betreuten B2B-Outbound-Betrieb.
Produkt: OutboundLoop entworfen und entwickelt, ein agentisches SDR-Betriebssystem für Recherche, Qualifizierung, personalisierte Ansprache, Kampagnenmanagement, menschliche Freigaben, Messung und kontinuierliche Verbesserung.
Umfang: Verantwortung für den gesamten Systemlebenszyklus – von Geschäftsprozessen und Agentenverhalten über Kontextdesign, Modell-Routing, Integrationen, Evaluierung, Telemetrie, Zuverlässigkeit und Kostenkontrolle bis hin zum Produktivbetrieb.
Rohit T.
Letzte Position:
Senior Softwareentwickler bei KRiAN GmbH
Kunden: CARIAD, AUDI AG
- Entwicklung und Bereitstellung von Enterprise-MLOps-Pipelines mit Azure Machine Learning und Databricks. Verkürzung der Modell-Release-Zyklen um 95 Prozent, von vier Wochen auf zwei Tage, durch automatisierte CI-CD-Workflows.
- Bereitstellung cloudnativer DevOps-Plattformen für ADAS-Programme mit Azure-Datendiensten, Kubernetes und Terraform-basierter Infrastrukturprovisionierung.
- Entwicklung von Hochverfügbarkeitsarchitekturen mit automatischem Failover. Reduzierung der Systemausfallzeit um 85 Prozent für geschäftskritische Energiehandelsplattformen.
- Entwicklung und Integration von KI-Agenten und Enterprise-Chatbots mit LangChain, AutoGPT und GPT-Modellen. Ermöglichung autonomer Workflows und entscheidungsbasierter Automatisierung.
- Reduzierung der Cloud-Infrastrukturausgaben um 40 Prozent durch Autoscaling-Strategien, Nutzung von Spot-Instanzen und richtlinienbasierter Ressourcenverwaltung in Azure und AWS.
- Zusammenarbeit mit Data Scientists, ML Engineers, Product Managern und Führungskräften bei der Bereitstellung groß angelegter Lösungen für die Automobil- und Energiebranche.
- Implementierung von GitOps-basierten CI-CD-Pipelines zur Unterstützung der Auslieferung von Automobilsoftware für über 500 Ingenieure in verteilten Produktteams.
- Entwicklung und Betrieb von Kubernetes-Plattformen auf Azure AKS. Verbesserung der Deployment-Stabilität und Reduzierung von Rollback-Ereignissen um 70 Prozent.
- Implementierung von Observability- und Monitoring-Stacks mit Prometheus, Grafana und Azure Monitor. Erreichung von Serviceverfügbarkeitszielen von 99.9 Prozent.
Dimitri W.
Letzte Position:
Softwarearchitekt bei Umweltdienstleistungsunternehmen (Kooperation mit Sitegeist Media Solutions GmbH)
Konzeption und Umsetzung eines modular aufgebauten Kundenportals auf Basis von Laravel.
Schwerpunkte waren die Definition einer wartbaren Systemarchitektur unter weitgehender Anwendung von Domain-Driven-Design-Prinzipien (im Rahmen der Laravel-Architektur), die Einführung automatisierter Qualitätssicherungsprozesse (Teststrategie, CI-Integration) sowie die Vorbereitung eines auditierbaren Betriebs (Logging, Nachvollziehbarkeit von Änderungen) in einer AWS-basierten Infrastruktur unter Berücksichtigung von IT-Sicherheitsstandards nach NIST und Prozessanforderungen nach ISO 9001.
Leistungen:
- Analyse und Strukturierung fachlicher Anforderungen in enger Abstimmung mit den Stakeholdern
- Dokumentation der Systemarchitektur und Infrastruktur inkl. Change- und Release-Management
- Konzeption und Umsetzung einer Schnittstelle zur Integration von SAP-Systemen
- Planung und Implementierung automatisierter Tests zur Qualitätssicherung
- Umsetzung von Security- und Compliance-Anforderungen, u. a. SBOM-Generierung, Software-Lizenzmanagement und QS-Prozesse
- Technische Beratung und Unterstützung des internen IT-Teams
- Einführung und Etablierung KI-gestützter Entwicklungsprozesse (Spec-Driven Development) inkl. KI-lesbarer Spezifikationen, Integration von KI-Anweisungen in die Entwicklungsumgebung sowie Schulung der Entwickler im produktiven Einsatz
Techniken und Tools: SAP, Docker, ddev, PHP 8.4, Laravel, Filament, C4 Model, Architecture Decision Records (ADR), Mermaid, PlantUML, Spec-Driven Development, Claude, GitHub Copilot, Codex
Deepak M.
Letzte Position:
Lead ML Platform Engineer bei Billie GmbH
- 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
Chiemela O.
Letzte Position:
KI-Enthusiast – unabhängige Projekte bei Chiemela Ogu Consulting
Too Good To Throw (KI-gestützte Web-App mit sozialem Nutzen, die Lebensmittelverschwendung in Nigeria reduzieren soll):
Paystack Split Payments integriert, um Zahlungen automatisch zwischen der Plattform und Partneranbietern aufzuteilen.
Automatisierte Workflows zur Erstellung von Unterkonten eingerichtet, damit neue Unternehmen sofort ein Abrechnungskonto erhalten.
Ein skalierbares Cloud-Backend mit Supabase eingerichtet.
Rollenbasierte Zugriffskontrolle (RBAC) für Nutzer, Partner und Administratoren implementiert.
FaithFlow (KI-gestützte Web-App, die christliche Jugendliche auf ihrem spirituellen Weg unterstützt):
Eine KI-gestützte Suche nach Bibelstellen entwickelt und umgesetzt, die Fragen in natürlicher Sprache interpretiert und passenden Bibeltexten, Kommentaren, Andachten und Querverweisen zuordnet.
Ein Dashboard für spirituelles Wachstum entwickelt, mit dem Nutzer ihren Lesefortschritt, Gebetsserien und den Abschluss von Andachten verfolgen können.
Halil O.
Letzte Position:
Senior Cloud Operations- und DevSecOps-Ingenieur (Azure / Terraform / CI-CD) bei KfW Bankengruppe
Reguliertes Konzernumfeld einer deutschen Bankengruppe (ca. 8.500 Mitarbeiter, Hybrid Cloud-Strategie).
Verantwortlich für den Betrieb, die Bereitstellung und die kontinuierliche Absicherung geschäftskritischer Plattformen – darunter eine GenAI-Chat-Anwendung, eine Big-Data/AI-Plattform sowie Data-Science-Arbeitsplätze auf Basis von Azure Virtual Desktops und VMs. Ownership der AzureDevOps Projekte nach ShaiHulud und React2Shell sowie BSI-Warnungen – Security Operations Improvements im gesamten SDLC.
Deployment-Verantwortung für GenAI-Chat-Anwendung, Big-Data/AI-Plattform (BDAI) sowie Data-Science-Arbeitsplätze (AVD/VM-basiert) in den jeweiligen LZs.
Deployment & Release Management: End-to-End-Verantwortung für Deployments von Portal- und Service-Applikationen in mehreren Azure Landing Zones, inklusive technischer Freigaben, Approvals nach Deployment-Guidelines der Entwicklungsteams sowie Sicherstellung ITIL-basierter Change- und Release-Prozesse im laufenden Betrieb via ServiceNow.
Azure Landing Zones & Netzwerkarchitektur: Aufbau, Provisionierung und Betrieb von Azure Landing Zones für 3-Tier-Web-Applikationen mit verbesserter Netzwerksegmentierung, VNet-Peering, Hub-Spoke-Architekturen, Private Endpoints und Firewall-Integration in separaten Subscriptions und Tenants.
Azure DevOps Governance & Betrieb: Ownership der Azure-DevOps-Organisation inklusive Projekte, Repositories und CI/CD-Pipelines, Umsetzung von Governance-Vorgaben wie Branch-Policies, Approval-Gates, Berechtigungskonzepten und Audit-fähigen Betriebsstrukturen.
Infrastructure as Code (Terraform): Design, Implementierung und Betrieb einer modularen Terraform-Architektur zur standardisierten Bereitstellung von Cloud-Infrastruktur, inklusive State-Management, Provider-Versionierung, Wiederverwendbarkeit und Policy-as-Code-Ansätzen.
CI/CD Pipeline Engineering: Konzeption, Betrieb und Optimierung komplexer YAML-basierter CI/CD-Pipelines mit Multi-Stage-Deployments, Template-Standardisierung, Self-Hosted Agents, integriertem Secret-Management und automatisierten Qualitäts- und Sicherheitsprüfungen.
Git-Migration & Plattformkonsolidierung: Planung und Umsetzung der Migration von Repositories und Pipelines von Azure DevOps zu GitLab CI/CD, inklusive automatisierter Skripte, Inklusive Git-History, Pipeline-Portierung und Konsolidierung der Entwicklungsplattformen.
Container- & Plattformbetrieb (AKS): Betrieb und sicherheitstechnische Bewertung containerbasierter Workloads auf Azure Kubernetes Service, Zentralisierung der On-Premises Container Registry für ACR. OpenShift (OCP) Security Reviews: Sicherheitsbewertung von Codebaselines, Build-Pipelines und Deployment-Prozessen für On-Premises-OpenShift-Cluster mit kritischen Anwendungen sowie Ableitung konkreter Hardening-Empfehlungen.
Shift-Left Security & DevSecOps Transformation: Einführung eines unternehmensweiten Shift-Left-Ansatzes zur frühzeitigen Integration von Sicherheit in Entwicklungs- und Deployment-Prozesse, Enablement der Entwickler zur eigenständigen Sicherheitsprüfung und nachhaltige Reduktion von Schwachstellen vor Produktivsetzung (IDE-Integrationen, Pre-Commit Hooks, lokale Scanner).
Software Supply-Chain Security: Analyse und Mitigation von Supply-Chain-Risiken in NPM- und Yarn-basierten Anwendungen durch Dependency-Audits, Absicherung von CI/CD-Pipelines, Token-Rotation und Einschränkung riskanter Build- und Lifecycle-Mechanismen.
Frontend- & Framework-Security (React / Next.js): Sicherheitsbewertung und Koordinierung der Behebung kritischer Schwachstellen in allen Plattform-Anwendungen und Web-Frameworks, inklusive Abstimmung und ergänzenden technischen Mitigationsmaßnahmen mit allen Teams nach BSI-Warnung.
Software Composition Analysis (SCA): Einführung und Betrieb automatisierter Schwachstellen-Scans für Container-Images, Pipelines/Artefakte und Third-Party-Dependencies inklusive SBOM Exports innerhalb der CI/CD-Pipelines.
SAST / DAST Integration: Konzeption und Pilotierung statischer und dynamischer Anwendungssicherheitstests in enger Zusammenarbeit mit Security-Architektur und Entwicklungsteams zur kontinuierlichen Verbesserung der Code- und Runtime-Security und Etablierung betrieblicher Abnahme-Tests (BATs).
Artefakt- & Registry-Konsolidierung: Analyse und Konsolidierung aller Paket- und Container-Repositories für Service-Applikationen und AKS-Workloads mit dem Ziel einer zentralisierten, abgesicherten Registry-Strategie inklusive zentralisierter Vulnerability-Scanning und Governance.
Dependency-Track & SBOM-Strategie: Beratung des Compliance-Boards zur Einführung einer zentralen SBOM- und Vulnerability-Management-Plattform zur konzernweiten Erhöhung der Transparenz über Abhängigkeiten und Beschleunigung der CVE-Reaktionsfähigkeit.
CI/CD Pipeline Hardening: Sicherheitsanalyse und Bereinigung der bestehenden Pipeline-Landschaft durch Entfernung ungenutzter Pipelines, Verbesserung der Secrets-Hygiene, Umsetzung des Least-Privilege-Prinzips und Isolation von Build-Agent-Umgebungen.
Azure Web Application Firewall (WAF) Optimierung: Analyse und Optimierung bestehender Azure-WAF-Regelwerke (OWASP Top 10 Core Rule Set, DSR/SDC, Custom Rules) zur Abwehr bekannter Schwachstellen und Exploit-Patterns, inkl. Reduktion von False Positives und Verbesserung der Angriffserkennung.
Dokumentation & Stakeholder-Kommunikation: Erstellung und Pflege technischer Dokumentationen, Runbooks und Architekturübersichten in Jira und Confluence sowie aktiver Wissenstransfer zwischen Operations, Development, Security und Compliance-Stakeholdern.
Benjamin S.
Letzte Position:
Konzeption und Implementierung eines neuen Cloud Services bei Porsche AG
- Konzeption eines neuen Cloud Services
- Anforderungsanalyse
- API-Design (REST-API, Kafka)
- Beratung zu Architektur, Machbarkeits- und Aufwandsschätzung
- Umsetzung einer Microservice-Architektur
- Implementierung eines Spring-Boot-Webservices
- Entwicklung von REST-APIs inkl. Business- und Persistenzlogik
- Kafka-Consumer und -Producer
- Verschiedene Excel-Upload/Download-Szenarien
- Change Data Capture
- Cloud Provisioning mit IaC/Terraform
- Go-Live mit 30.000 Nutzern
- Betrieb, Support und Fehlerbehebung bei weiteren Services
Umgebung/Werkzeuge: Gitlab, JIRA, Confluence, IntelliJ, Spring Boot, Java, Docker, Terraform, AWS ECS, Postgres, Apache Kafka, SAP Datasphere, JUnit, Debezium, Apache POI, Hibernate, JPA, Testcontainer
Alexandru G.
Letzte Position:
Principal Cloud DevOps Architect bei BP
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.
Khaled M.
Letzte Position:
Leitender Cloud Solutions Architect II bei Schrödinger GmbH
- Die geschäftlichen und technischen Anforderungen des Kunden verstehen und in System- bzw. technische Anforderungen übersetzen
- Schrödingers Anwendungen auf Cloud-Systemen entwerfen und implementieren sowie Erfahrung darin haben, das Senior Management und erfahrene technische Mitarbeiter von den Vorteilen ihres Weges mit Schrödinger in der Cloud zu überzeugen
- Außergewöhnliches technisches Design und fachliche Führung bieten, insbesondere bei AWS-, GCP- und K8s-Architektur-Reviews, Leistung, Hochverfügbarkeit, Kosten und Sicherheit
- Tiefes Verständnis der Well-Architected-Prinzipien und aller Best Practices zum Aufbau sicherer und leistungsfähiger Schrödinger-Anwendungen auf den Cloud-Plattformen
- Technische Workshops leiten und Kunden bei architektonischen und strategischen IT-Entscheidungen beraten
- Den Erfolg beim Entwerfen, Erstellen und Migrieren von Anwendungen, Software und Services auf den Cloud-Plattformen sicherstellen
- Kunden über Best Practices aufklären, um sicherzustellen, dass ihre Lösungen für eine erfolgreiche Bereitstellung in der Cloud ausgelegt sind
- Mit anderen Teammitgliedern zusammenarbeiten, um Qualität und Kundenerfolg sicherzustellen
- Tickets, Aufgaben und Zeitpläne von Projekten definieren
- Mit Account Managern zusammenarbeiten, um sicherzustellen, dass die Projekte gemäß dem definierten Plan und Zeitrahmen umgesetzt werden
- Den Fortschritt der Projekte überwachen, Risiken und Probleme identifizieren und proaktiv Maßnahmen zu deren Minderung ergreifen
- Cloud-Architektenteams leiten und inspirieren, Orientierung geben und wichtige Entscheidungen treffen
- Eine effektive Kommunikation und Zusammenarbeit zwischen den Teammitgliedern fördern
- Mit Schrödingers Managern zusammenarbeiten, um Deployment, Support und Konfiguration von Schrödingers Anwendungen zu verbessern
- Wöchentliche Stand-ups leiten und Prioritäten festlegen
Ritika S.
Letzte Position:
AWmOpsRtKekEX(CPEliRenIEtN: CInEfoSrs.yDs,aHtaitAarcchhiiEtencetr(gAyW) S)
Globale Marketing-Analysen für Hitachi Energy im Rahmen einer globalen Datenmodernisierungsinitiative, die darauf abzielt, die Datenspeicherung und Verfügbarkeit historischer Daten zu verbessern und Eloquas 2-jährige Aufbewahrung für Remote-Interaktionsberichte und Analysen bereitzustellen.
Analyse der Standardaufbewahrungsrichtlinie von Eloqua und Identifizierung des Risikos von Datenverlusten für Datensätze, die älter als zwei Jahre sind.
Entwurf und Implementierung einer Strategie zur historischen Datenaufbewahrung durch Erstellung transformierter Tabellen in der Ziel-Datenplattform, um ältere Daten zu archivieren und gleichzeitig Dashboards zur Datenqualität sicherzustellen.
Zusammenarbeit mit dem Power BI-Team, um Dashboards von Rohdaten aus Eloqua-Importen auf die neu erstellte Archivschicht umzustellen.
Nutzung von Jira zur Verfolgung und Verwaltung von Data-Engineering-Aufgaben, Fehlern und Feature-Requests in agilen Sprints; Koordination der Backlog-Priorisierung und Aufgabenverteilung, um die Entwicklung der Datenpipelines an den Geschäftsanforderungen auszurichten.
Optimierung von Power BI-Dashboards:
Enge Zusammenarbeit mit Stakeholdern, um Berichtserfordernisse für Bestandskunden zu bewerten und zu verstehen.
Entwurf und Implementierung eines inkrementellen Aktualisierungsprozesses in Power BI, um tägliche Updates ohne vollständiges Neuladen zu gewährleisten.
Zusammenarbeit mit Azure-Dateningenieuren zur Optimierung von Datenverarbeitungs- und Veröffentlichungsprozessen.
Kommunikation mit Stakeholdern & Datenmodellierung:
Vermittlung zwischen Group Data Office und Technology Office, um Standards für Datenmodellierung abzustimmen.
Anforderungserhebung im Data-Engineering-Team und Teilnahme an wöchentlichen Statusmeetings, um Implementierungsupdates zu geben und Blocker in Teams in Deutschland, Polen und Indien zu lösen.
Dokumentation & Qualitätssicherung:
Erstellung von technischen End-to-End-Design-Dokumentationen, Datenflussdiagrammen und Power BI-Audit-Leitfäden für die Zukunft.
Teilnahme an UAT-Sessions mit Fachanwendern, um Datenoutputs und Berichtgenauigkeit zu validieren.
Patrick S.
Letzte Position:
Leitender Softwareentwickler bei Delivery Hero
- Leitete ein Team aus 6 Softwareentwicklern bei der Entwicklung und Wartung einer KI-gestützten Gesundheitsplattform, die automatisierte Diagnosen und Verschreibungen auf Basis der Echtzeit-Analyse von EKG-Daten ermöglicht
- Entwarf und entwickelte ein robustes Revenue-Cycle-Management-System (RCM) und integrierte HL7- und FHIR-APIs, um nahtlose Interoperabilität, Datenaustausch in Echtzeit und HIPAA-konforme Datenverarbeitung zu ermöglichen und so die Effizienz der Abrechnung, die Bearbeitung von Ansprüchen und die Einhaltung gesetzlicher Vorschriften im Gesundheitswesen zu verbessern
- Migrierte eine veraltete monolithische Anwendung zu einer skalierbaren Microservices-Architektur und verbesserte dadurch Modularität, Skalierbarkeit und Wartbarkeit des Systems. Dabei setzte ich wichtige Designmuster wie Strangler, Database-per-Service, API Gateway, Saga und CQRS für eine effiziente Dienstkommunikation und Transaktionsverwaltung ein
- Entwarf die Architektur und leitete den Aufbau eines C# 9/.NET 6-Microservices-Ökosystems für Hotelreservierungen, Zahlungen und Treueprogramme, das eine Verfügbarkeit von 99.99% über 10+ Services ermöglichte
- Definierte OpenAPI/Swagger-Verträge und generierte Client-SDKs automatisch, wodurch sich die Integrationszeit zwischen Frontend und Backend um 50% verringerte
- Containerisierte jeden Service mit Docker und koordinierte die Bereitstellungen mit Kubernetes, wodurch sich die Vorlaufzeit für Releases von Tagen auf Stunden verkürzte
- Entwarf PostgreSQL-Schemas für hohe Transaktionsvolumen und implementierte Redis-Caching-Schichten, um die Leseleistung stark ausgelasteter Endpunkte um 80% zu steigern
- Entwickelte Kafka-Streaming-Pipelines für Echtzeit-Verfügbarkeitsaktualisierungen und Audit-Logs, die über 2 millionen Ereignisse pro Stunde mit durchgängigen Zustellgarantien verarbeiteten
- Implementierte Unit- und Integrationstests für React-Anwendungen mit Jest und React Testing Library, erreichte eine Testabdeckung von 80%+ und verbesserte die Zuverlässigkeit der Komponenten sowie den Schutz vor Regressionen
- Definierte und implementierte die AWS-Cloud-Infrastruktur mit Terraform und containerisierte und koordinierte Microservices mit Docker und Kubernetes, um Automatisierung und Skalierbarkeit des Systems zu verbessern
- Entwickelte eine skalierbare Full-Stack-Buchungsanwendung mit React 18 und Django REST Framework und integrierte Celery und Redis für die asynchrone Aufgabenverarbeitung. Die Bereitstellung erfolgte auf GCP mit Cloud Run und Firestore und ermöglichte Terminplanung in Echtzeit, Zahlungsabwicklung und automatische Benachrichtigungen
- Unterstützte Nachwuchsentwickler durch Code-Reviews, Pair Programming und Wissensaustausch und steigerte so die Teameffizienz um 30%. Gleichzeitig pflegte ich eine umfassende API-Dokumentation mit Swagger/OpenAPI
Khaled M.
Letzte Position:
Senior/Staff Backend-Entwickler bei Heycar (Mobility Trader GmbH)
- Heycar ist eine führende Automobilplattform, die den Gebrauchtwagenmarkt durch intelligente Datenpipelines, Multi-Tenant-Services und händlerorientierte Tools neu definiert. Ich habe Initiativen in der Backend-Architektur, bei der Datenaufnahme und im Identitätsmanagement geleitet, um Skalierbarkeit, Zuverlässigkeit und Entwicklerproduktivität zu steigern.
- Ingestion-Plattform: Entwickelt eine einheitliche Ingestion-Plattform mit YAML-basierter Konfiguration, die das Onboarding neuer Datenpipelines für Händler ohne Codeänderungen ermöglicht, wodurch die Einrichtungszeit von ca. 2 Monaten auf 2–3 Tage gesenkt und die Skalierbarkeit um 40 % gesteigert wurde.
- Keycloak-Expertise: Agierte als unternehmensweiter Keycloak-Experte, skalierte es für das Multi-Tenant-Identitätsmanagement und erweiterte die Funktionalität mit eigenen Plugins und delegierten Admin-APIs.
- Back-Office-Tools: Entwickelt eine Back-Office-Anwendung, die in Salesforce integriert ist und Händlern ermöglicht, Bestände zu verwalten, Interessenten zu konvertieren und Supportanfragen in Echtzeit zu bearbeiten.
- Multi-Tenant-Migration: Zusammenarbeit mit verschiedenen Backend-Teams, um die Kernservices von Heycar in einen einheitlichen Multi-Tenant-Cluster zu migrieren und so hohe Verfügbarkeit sicherzustellen.
- Frontend-CI-Optimierung: Optimiert die Monorepo-Auslieferung durch Implementierung einer dynamischen CircleCI-Konfiguration mit NX, wodurch nur betroffene UI-Projekte bereitgestellt und die Buildzeiten drastisch verkürzt wurden.
- Beobachtbarkeit & Mentoring: Verbesserte das Monitoring und die Release-Zuverlässigkeit, während ich Backend-Entwickler betreute und die Code-Review-Standards angehoben habe.
Nikolay T.
Letzte Position:
Senior Cloud-Datenarchitekt bei Cloudreach/Eviden (ein ATOS-Unternehmen)
- Konzipierte eine Self-Service-Plattform mit Google Kubernetes Engine (GKE) für eine große Finanzinstitution (Commerzbank), die über 1000 Nutzer in Hunderten von Produktteams befähigte, Ressourcen eigenständig bereitzustellen und Entwicklungszyklen deutlich zu beschleunigen.
- Entwarf eine datenproduktorientierte Plattformarchitektur für das britische Verkehrsministerium (Department for Transport, DfT), um mehr als 1500 direkte Endanwender und zahlreiche angebundene Drittsysteme zu bedienen, wodurch Datenzugänglichkeit und Governance verbessert wurden.
- Trieb das Geschäftswachstum voran, indem ich die strategische Roadmap für die Geschäftslinie 'One Cloud' entwickelte, mit dem Ziel einer Umsatzsteigerung von 10 %.
- Diente als Kernmitglied der CTO-Authority und gab strategische Empfehlungen zu internen Cloud-Initiativen und Best Practices.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Auto Scaling einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
18 Jahre

Positionsdauer
2,3 Jahre

Positionen pro Freelancer
11

Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Betrieb

Häufigste Branchen
Informationstechnologie (IT), Automotive, Bank- und Finanzwesen

Fokus der Zertifizierungen
Informationstechnologie (IT), Produktentwicklung, Business Intelligence
Bachelor-Abschluss oder höher
88%
Master-Abschluss oder höher
38%

Zertifizierungen pro Freelancer
4

Häufigste Sprachen
Deutsch, Englisch, Französisch

Sprechen zwei oder mehr Sprachen
93%
Basierend auf unserem Profilpool, Stand 18 Nov 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in Deutschland, die Auto Scaling einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 18 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Auto Scaling Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (93%)
- Automotive (50%)
- Bank- und Finanzwesen (50%)
- Gesundheitswesen (43%)
- Energie (37%)
- Einzelhandel (33%)
- Professionelle Dienstleistungen (30%)
- Regierung und öffentliche Verwaltung (27%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Elastische Kapazität
Auto Scaling passt Rechenressourcen automatisch an, wenn sich die Nachfrage ändert. Es hilft Anwendungen, Verkehrsspitzen zu bewältigen, ohne ständig die maximale Kapazität bereithalten zu müssen. Je nach Cloud kann es virtuelle Maschinen, Container, Pods, Datenbankkapazität oder serverlose Ressourcen skalieren.
Cloud-Ökosysteme
AWS Auto Scaling umfasst EC2 Auto Scaling Groups, Skalierungspläne und Application Auto Scaling. Azure verwendet Virtual Machine Scale Sets und Autoscale-Regeln, während Google Cloud verwaltete Instanzgruppen und Autoscaling-Richtlinien bereitstellt. Gute Spezialisten arbeiten außerdem mit Kubernetes Horizontal Pod Autoscaler, Cluster Autoscaler und ereignisgesteuerten Tools wie KEDA.
Praktische Umsetzung
- Zielverfolgungs-, geplante und schrittweise Skalierungsrichtlinien definieren
- Metriken aus CloudWatch, Azure Monitor oder Google Cloud Monitoring anbinden
- Infrastruktur mit Terraform, CloudFormation oder Bicep automatisieren
- Container-Replikate, Knoten-Kapazität und Rollout-Verhalten optimieren
- Skalierung unter realistischen Last- und Fehlerbedingungen testen
Wann Fachwissen entscheidend ist
Unternehmen beauftragen freiberufliche Spezialisten, wenn Cloud-Kosten steigen, sich Verkehrsmuster ändern oder Skalierungsregeln unvorhersehbar reagieren. Sie können eine bestehende Einrichtung prüfen, eine Migration vorbereiten, einen Launch unterstützen oder wiederholbare Infrastrukturprozesse etablieren. In Deutschland ist die Remote-Zusammenarbeit üblich, während regulierte Branchen zusätzlich Workshops vor Ort und eine klare Dokumentation verlangen können.
Angrenzende Kenntnisse
Auto Scaling hängt von Observability, Netzwerk, Identität und Deployment-Automatisierung ab. Nützliche Erfahrung umfasst Linux, Docker, Kubernetes, CI/CD, Infrastructure as Code, Lasttests und Incident Response. Spezialisten sollten sowohl die Grenzen von Anwendungen als auch die Einstellungen von Cloud-Ressourcen verstehen, denn Skalierung kann ineffiziente Abfragen, Engpässe oder eine schlechte Sitzungsverwaltung nicht beheben.
Qualitätsmerkmale
Gute Fachleute erklären, warum eine Richtlinie eine bestimmte Metrik, Abklingzeit oder Kapazitätsgrenze verwendet. Sie trennen Skalierung zur Kostenkontrolle von Skalierung für Leistung und Ausfallsicherheit. Achten Sie auf praktische Nachweise wie Dashboards, getestete Rollback-Verfahren, sichere Terraform-Änderungen und klare Runbooks. Gute Arbeit hinterlässt das System nach der Übergabe messbar, vorhersehbar und wartbar.
Häufig gestellte Fragen
Alles, was Kunden üblicherweise über Auto Scaling wissen wollen – kompakt an einem Ort.
Auto Scaling passt die Cloud-Kapazität an die Arbeitslast an. Es wird eingesetzt, um Anwendungen während Spitzenzeiten reaktionsfähig zu halten, ungenutzte Ressourcen in ruhigen Zeiten zu reduzieren und die Ausfallsicherheit zu verbessern, wenn Instanzen oder Container nicht verfügbar sind.
Auto Scaling reagiert auf gemessene Nachfrage, während bei der manuellen Kapazitätsplanung Ressourcen im Voraus von Personen angepasst werden. Die manuelle Planung kann weiterhin bei der Basiskapazität und vorhersehbaren Ereignissen helfen, doch automatisierte Richtlinien reagieren schneller und vermeiden, dass jede Ressource dauerhaft bereitgestellt bleibt.
Ein guter Auto Scaling-Spezialist sollte Cloud-Monitoring, Netzwerke, Identität und Infrastructure as Code verstehen. Kubernetes, Docker, Terraform, CI/CD, Lasttests und Incident Response sind ebenfalls wertvoll, da Skalierungsrichtlinien vom Gesamtsystem abhängen.
Das passende Erfahrungsniveau hängt vom Risiko und der Komplexität des Systems ab. Eine einfache Prüfung kann fokussierte Kenntnisse im Cloud-Betrieb erfordern, während Multi-Region-Dienste, Kubernetes-Workloads oder regulierte Umgebungen einen Spezialisten benötigen, der Skalierungsverhalten in der Produktion entworfen, getestet und dokumentiert hat.
Ja, ein großer Teil der Auto Scaling-Arbeit kann remote über Cloud-Konsolen, Repositories, Monitoring-Tools und Video-Workshops erledigt werden. Die Zusammenarbeit vor Ort kann hilfreich sein, wenn Teams Architektur-Sitzungen, Zugriffsprüfungen oder eine operative Übergabe benötigen. In manchen Organisationen ist außerdem eine Dokumentation in deutscher Sprache wichtig.
Auto Scaling ist eine umfassendere Cloud-Funktion, während Kubernetes Mechanismen für Workloads und Cluster wie Horizontal Pod Autoscaler und Cluster Autoscaler bereitstellt. Eine zuverlässige Einrichtung koordiniert beide Ebenen, damit Pod-Nachfrage, Knoten-Kapazität und Cloud-Kontingente nicht miteinander in Konflikt geraten.
Fragen Sie, wie der Spezialist Metriken auswählt, minimale und maximale Kapazitäten festlegt, Abklingzeiten behandelt und das Verhalten unter Last validiert. Hochwertige Auto Scaling-Arbeit umfasst Observability, Fehlertests, eine Kostenprüfung, Rollback-Schritte und eine Dokumentation, die von einem anderen Team betrieben werden kann.
Zu den wichtigsten Optionen gehören AWS Auto Scaling Groups und Application Auto Scaling, Azure-Autoscale-Regeln mit Virtual Machine Scale Sets sowie Google Cloud-Autoscaling für verwaltete Instanzgruppen. Auto Scaling kann je nach Anbieter und Ressource auch Container-Plattformen, Datenbanken und serverlose Dienste abdecken.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Auto Scaling in ihren letzten Projekten eingesetzt haben, liegt bei 94 €, was einem Tagessatz von etwa 756 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Auto Scaling in ihren letzten Projekten eingesetzt haben, haben 88% mindestens einen Bachelor-Abschluss und 38% mindestens einen Master-Abschluss.
Freelancer in Deutschland, die Auto Scaling in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 18 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,3 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Auto Scaling in ihren letzten Projekten eingesetzt haben, sind Deutsch (93%), Englisch (93%) und Französisch (20%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Auto Scaling in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (93%), Automotive (50%) und Bank- und Finanzwesen (50%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Auto Scaling in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Produktentwicklung (73%) und Betrieb (67%).
Hauptstandorte der FRATCH Experten, die kürzlich Auto Scaling eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!

Berlin
München