AWS Elastic Beanstalk Experten in Deutschland

• Rolle: Simulation Engineer
• Umfeld: Maschinenbau / Visuelle Inspektion
• Ziele & Umsetzung: Simulation von Photometric-Stereo-Setups, um optimale Positionen von Kameras und Lichtquellen bauteilspezifisch zu ermitteln.
• Business Value: Ermöglichte eine kostengünstige und skalierbare Lösung, um bauteilspezifische Hardware-Setups zu bestimmen.
• Tech Stack: Python, Blender

• Entwicklung und Optimierung der RTL+-Frontend-Anwendung für SmartTV- und Set-Top-Box-Plattformen mit React und Next.js.
• Schlüsselrolle bei der fachlichen Steuerung von Entwicklern im Team und bei der Koordination der Umsetzung.
• Zentrale Schnittstelle zu angrenzenden Teams, um Entwicklungsabläufe zu vereinfachen und die teamübergreifende Abstimmung zu verbessern.
• Verbesserung von Frontend-Performance, Stabilität und Rendering-Verhalten auf leistungsschwachen Geräten in einer eingeschränkten Runtime-Umgebung.
• Umsetzung einer Frontend-Teststrategie mit Jest, React Testing Library und Playwright.
• Umsetzung von Verbesserungen der Barrierefreiheit gemäß WCAG 2.2 und WAI-ARIA.
• Integration von Didomi Consent Management als Beitrag zur Steigerung der Ad-Monetarisierung auf Streaming-Plattformen.
• Einsatz KI-gestützter Engineering-Workflows mit Cursor für strukturierte Implementierung, Refactoring und schnellere Problemlösung.

Eingesetzte Technologien: React, Next.js, TypeScript, JavaScript, GraphQL, Apollo Gateway, Zustand, Tailwind CSS, Styled Components, React Testing Library, Playwright, Jest, HTML5, CSS3, AWS Lambda, EC2, CloudFront, S3, GitLab CI/CD, NX, Cursor

Entwurf und Entwicklung einer KI-gestützten Automatisierungsplattform mit n8n, um Social-Media-Nischen zu analysieren, Zielgruppen zu erkennen und die Generierung von Marketingstrategien zu automatisieren. Die Lösung kombinierte KI-Agenten, Workflow-Orchestrierung und Datenanalyse, um Rechercheprozesse zu automatisieren und datenbasierte Erkenntnisse zu erzeugen.

• Komplexe Automatisierungs-Workflows mit n8n entworfen und umgesetzt
• KI-gestützte Analyse-Agenten für Markt- und Zielgruppenrecherche entwickelt
• Mehrere APIs und KI-Services in automatisierte Workflows integriert
• Automatisierte Analyse-Pipelines für Markt, Wettbewerber und Zielgruppen aufgebaut
• Large Language Models (LLMs) für Zusammenfassung, Klassifizierung und Priorisierung von Informationen genutzt
• Plattform mit Docker containerisiert und bereitgestellt

Technologien: n8n, AI Agents, OpenAI APIs, Prompt Engineering, LLMs, Docker, Linux, REST APIs, Webhooks

• 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

• Gesamtverantwortung für den Projektlebenszyklus von der Umfangsdefinition bis zum Abschluss
• Enge Zusammenarbeit mit Plattform-Teams, IT-Führungskräften und externen Dienstleistern
• Anwendung von SAFe-Prinzipien und strukturierte Sprint-Arbeit
• Erstellung eines Migrationsfahrplans mit klaren Meilensteinen
• Überwachung des Lifecycles: Onboarding, Repository-Migration, Replikation von Berechtigungen und Systemtests
• Visualisierung der Architektur mit PlantUML und Gliffy sowie Dokumentation in Confluence
• Regelmäßige Statusberichte und Durchführung von Wissenstransfer-Sessions

• Umgebung: AWS, Ruby on Rails, GraphQL, React Native
• Penetrationstest für Backend, Android-App und iOS-App

• Erweiterung und Wartung von Doktree Steuerberatung Dokumenten-Management-Tool
• Alfresco- und Angular-Entwicklung
• Wartung von Linux-Systemen

• Die Billomat-API-Integration auf die InvoiceNinja-API migriert und so die Systemzuverlässigkeit für 1300 Nutzer um 33% verbessert.
• Eine ESLint-Konfiguration mit Husky und lint-staged eingerichtet, was zu 23% weniger Code-Review-Problemen und einer besseren Code-Konsistenz in 5 Repositories geführt hat.
• Teamprozesse durch die Verbesserung des Kanban-Workflows optimiert.
• Die Frontend-Performance optimiert, eine neue CI/CD-Pipeline aufgebaut und das Monitoring von AWS-Ressourcen implementiert, um die Zuverlässigkeit von Deployments und die Systembeobachtbarkeit zu stärken.

• Entwicklung dynamischer Web Components zur Darstellung von KPIs, intelligenter Kartenanwendungen und Betriebsprozessanalyse-Tools
• Angular 18+
• Leaflet, MapLibre
• NestJS, JavaScript, HTML, CSS
• PostgreSQL, GraphQL, RabbitMQ
• Gitea, Jenkins, Docker

• Mit einer britischen Organisation zusammengearbeitet, die landesweit kostenlose sexuelle Gesundheitsdienste wie STI-Tests, Behandlungen und Verhütungsmittel anbietet.
• Ein kundenorientiertes Portal auf Basis von Liferay DXP (Version 7.4) auf Liferay Experience Cloud erstellt.
• Liferay-Module entworfen und entwickelt.
• Liferay Experience Cloud und Release-Management verwaltet.
• Mit verschiedenen Teams koordiniert und anderen Teammitgliedern bei Liferay-Herausforderungen geholfen.
• Mit dem Business und Stakeholdern über Erwartungen diskutiert.
• Architektur-Best-Practices umgesetzt.

• Bereitstellung von Kubernetes-Infrastruktur auf Azure, GCP oder Bare-Metal beim Hosting-Provider
• Konzeption und Implementierung von REST- und GraphQL-APIs
• Cloud-Governance (Kosten, Compliance, Sicherheit)
• Infrastructure-as-Code und CI/CD als Code (Terraform, Ansible)
• Container-Technologien (Docker, Helm)
• Pflege und Verbesserung von CI/CD-Pipelines (GitLab CI, GitHub Actions), Argo CD
• Deployment, Skalierung und Monitoring von Microservices
• Verteiltes Event-Streaming (Kafka)
• Message Broker RabbitMQ, MQTT
• Softwareentwicklung von Grund auf oder Weiterentwicklung bestehender Projekte mit PHP, Python, Go, C# und Bash

Beratung, Konzeption und Umsetzung des Software-Testlebenszyklus für mehrere Android Apps und Backends Einführung von Testautomatisierung mit Appium, SpringBootTest, RestAssured Aufbau und Verwaltung von Emulatoren Entwicklung eines E2E-Lib, Integration-Lib, Testcontainers-Lib und weiteren Libs Entwicklung, Einführung und Beratung von CI-Strategien Aufbau der Testumgebung mit Testcontainers und Virtualisierungen Entwicklung und Implementierung von Testfällen für: Integrationstests und End-to-End-Tests Aufbau einer wartbaren Testarchitektur mit niedrigen Einstiegshürden zur vereinfachten Erstellung automatisierter Tests Einige eingesetzte Tools und Technologien: JUnit, RestAssured, Testcontainers, Kubedock, Appium, Android-Emulator, Jira Xray, Mockito, WireMock, Spring Framework, Kotlin

• Lösung für Microservices und Frontend-Lösung für das Stromnetz
• Leitung von Entwicklungsteams
• Technologien: React-Native, TypeScript, Kotlin, AWS, Infrastruktur als Code, Serverlose Architektur, React, NoSQL, GraphQL, Angular, Playwright, Python, ML(Ops), Kubernetes, Docker