AWS Lambda Experten in Hamburg

• Mitarbeit im Developer-Experience-Team zur Verbesserung der Entwicklererfahrung und der Tools für alle Teams der RTL+-Streamingplattform
• Entwicklung wiederverwendbarer GitLab-CI/CD-Komponenten zur Standardisierung von Prozessen und automatischen Durchsetzung von Codequalitäts- und Sicherheitsprüfungen
• Automatisierung der Infrastruktur mit Pulumi
• Betrieb und Überwachung von GitLab Runners in AWS mit Kubernetes
• Integration und Automatisierung von Renovate in GitLab-Pipelines für kontinuierliche Abhängigkeitsaktualisierungen
• Erweiterung von Backstage als zentraler Entwicklerplattform zur Optimierung interner Abläufe und Self-Service-Möglichkeiten
• Entwicklung verschiedener Tools und Automatisierungen in TypeScript, Go und Python

• Konzeption und Implementierung einer Python-basierten ETL-Pipeline mit dem Dagster-Framework für die Transformation von Energierohdaten aus heterogenen Quellen mit InfluxDB und Visualisierungen in Grafana
• Definition von zeitlich gesteuerten und abhängigkeitsbasierten Jobs
• Bereitstellung auf einem verwalteten Kubernetes-Cluster mit Helm
• Anbindung von InfluxDB Cloud
• Aufbereitung von Daten für Nutzung in Grafana inkl. Säuberung und Normalisierung plus zeitliches Resampling in Python
• Entwicklung von Dashboards und Visualisierungen in Grafana
• Entwicklung von Unit-Tests inkl. Mocking mit pytest
• Aufbau von CI/CD-Pipeline in GitLab

Technologien: Python, Dagster, InfluxDB, Grafana, pandas, pytest, REST, CI/CD, GitLab, Container, Kubernetes, Helm, Docker, Cloud

traigo ist die digitale Plattform von VTG für Bahnlogistik und Flottenmanagement. Sie verarbeitet große Mengen an Telemetrie-, Kilometer-, Geofence-, Sensor- und Wagenbewegungs-Events nahezu in Echtzeit und stellt operative Services für Kunden aus der Bahnlogistik in ganz Europa bereit.

Als Teil von Team Customer Selfcare habe ich an Design, Implementierung, Optimierung und Betrieb großer Backend-Services und eventgesteuerter Verarbeitungspipelines gearbeitet — sowohl an der Feature-Entwicklung als auch an der operativen Verantwortung für geschäftskritische Produktionssysteme. Außerdem war ich regelmäßig erster Ansprechpartner bei Produktionsvorfällen, Dateninkonsistenzen und Performance-Analysen über mehrere verteilte Services hinweg.

• Design und Implementierung eventgesteuerter Backend-Services.
• Migration und Ablösung von Legacy-Verarbeitungspipelines.
• Entwicklung von Replay-/Rebuild-Mechanismen für große Event-Datenmengen.
• Asynchrone Event-Verarbeitung mit hohem Durchsatz auf SNS / SQS.
• Datenbank- und Query-Optimierung für PostgreSQL und DynamoDB.
• Design skalierbarer Read-/Write-Modelle und Aggregationspipelines.
• Fehlersuche in der Produktion und operativer Support.
• Performance-Tuning und Skalierung der Infrastruktur.
• Design und Stabilisierung von Integrations- und Systemtests.
• Technische Konzepte, Architektur-Dokumentation und bereichsübergreifende Zusammenarbeit.
• Unterstützung bei der Weiterentwicklung bestehender GitLab CI/CD-Pipelines

Geofence- und Wagenstand-Verarbeitung

• Algorithmus zur Erkennung von Fahrzeugen innerhalb von Geofences (Eintritt, Austritt, Verweildauer).
• Event Sourcing mit garantierter chronologischer Reihenfolge innerhalb des betroffenen Zeitfensters.
• Refactoring der Logik für Geofence-Events und Wagenstand-Verarbeitung für bessere Performance.
• Behebung von Race Conditions und Problemen mit der Event-Reihenfolge in verteilten Services; serverseitiges Filtern, Aggregieren und optimierte Query-Pipelines.
• Reparatur- und Replay-Tools für beschädigte oder inkonsistente Bewegungsdaten.

Flotten-Metadaten & Kilometerstände

• Modernisierung des Services; Migration des Speichers von DynamoDB nach PostgreSQL, um die Nachverfolgbarkeit zu verbessern und neue Features schneller umzusetzen.
• Skalierbare Aggregation von Kilometerständen und Replay-Mechanismen.
• Read-/Write-Modelle und optimierte Queries für Berechnungen mit hohen Datenmengen.

Sensor- & Telematik-Integration

• Integration von Telemetrie- und Sensor-Verarbeitungspipelines.
• Snapshot- und Zustandsberechnungslogik für Sensorsysteme.
• APIs und Persistenzmodelle für Wagensensordaten; Verbesserungen der Datenqualität.
• Weiterentwicklung eines Services mit gRPC für die Kommunikation zwischen Services.

Verarbeitung von Bewegungssegmenten & Routing

• Migration von Services auf neue Event-Streams für Bewegungssegmente.
• Aufbau von Replay- und Rebuild-Tools für Segmentkorrekturen.
• Optimierung von Durchsatz und Zuverlässigkeit bei der Verarbeitung großer Event-Mengen.

Zustandsüberwachung & Wagenanalyse

• APIs und Backend-Services für die Zustandsüberwachung von Wagen.
• Verarbeitung zur Vorhersage von Bremsverschleiß und Funktionen für Wagenanalysen.
• PostgreSQL-Views und optimierte Query-Modelle für operative Dashboards.

Operative Zuverlässigkeit - First Responder

• Analyse von Produktionsvorfällen und Ausfällen verteilter Systeme; DLQ-Analyse, Replay und operative Wiederherstellung.
• Tuning der Datenbank-Performance und der AWS-Infrastruktur unter Produktionslast.
• Verbesserung von Observability, Monitoring und operativen Tools.
• Unterstützung bei Rollout-Strategien, Monitoring und Stabilisierung nach dem Deployment.

• Migration von Kundendaten von einer Private Cloud zu AWS
• Optimierung von Daten-Transformations-Jobs und Migration von Talend zu AWS Glue
• Automatisierung aller Migrationsschritte
• Verwendete Technologien: AWS, Python, Lambda, CloudFormation, SQLServer, AWS Stepfunctions, Glue, PySpark

• Ich leite ein Team aus 10 Ingenieuren in der EMEA-Region, aufgeteilt in 2 Squads (Ingest und Query), mit dem Fokus auf die Entwicklung der nächsten Generation von Logging-Systemen.
• Ich leite das Loki-Team in Europa und trage die Verantwortung für die Logging-Lösungen bei Grafana. Ich manage ein vielfältiges Team von Ingenieuren – von der mittleren Ebene bis zum Principal-Level – und stelle sicher, dass wir erstklassige Ergebnisse liefern.
• Eine unserer wichtigsten Errungenschaften war die erfolgreiche Entwicklung und Einführung von ExploreLogs und AdaptiveLogs.

• Coaching von Junior-Entwicklern
• Weiterentwicklung und kundenspezifische Erweiterungen einer Standardsoftware (Microservices (DDD) und teilweise Monolith)
• Schnittstellenerweiterungen
• Webservices
• Testautomatisierung
• Konzeption
• Verwendete Technologien: Java8, Java17, TypeScript, Python, PostgreSQL, Spring (Integration, Data, Boot), JPA, AWS (Cloud, Lambda, EC2, SQS/SNS), Microservices, Fitnesse/Cucumber, Gitlab

• Neuimplementierung des ESN.com Online Shops mit Shopifys Hydrogen und Remix
• Headless-CMS Contentful Anbindung via GraphQL

• Verwalten und Betreiben der Produktdatenimport Services für den Händler Otto
• Weiterentwicklung und Wartung der Backendsysteme
• Optimierung und Wartung der AWS-Infrastruktur
• Aufbau einer neuen Produktdatenimport-API
• Konzeption und Planung von Stories und Features
• Durchführung von Code-Reviews zur Sicherstellung der Codequalität und Best Practices
• Analyse und Behebung von Bugs
• Technologien: Java, Spring Boot, Kafka, AWS, Fargate, Terraform, MongoDB, Mongo Atlas, OpenAPI, GitHub, GitHub Actions, GitHub Copilot, Akhq, Debezium, JUnit, Test Containers, Hexagonale Architektur

• Elektronische Logbuch-App, entwickelt für Forschungszentren zur Dokumentation ihrer Untersuchungen.
• Betont eine nutzerorientierte Organisation der Kommunikation: Versuchsteams können die Informationsstruktur und Benachrichtigungen konfigurieren, während Hauptuntersuchungsleiter die volle Zugriffskontrolle behalten.
• Echtzeit-Integration mit dem Metadatenkatalog der Einrichtung, dem Steuerungssystem Karabo und dem Datenanalysetool ermöglicht die automatische Protokollierung wichtiger Ereignisse, ergänzt durch manuelle Einträge nach Bedarf.

• Mitarbeit bei der Realisierung des Redaktionssystems Rubix
• Implementierung diverser Microservices auf Basis von Java, AWS S3, AWS SQS, AWS SNS und Spring Boot mit Deployment auf AWS ECS und AWS Fargate
• Konzeption und Entwicklung von AWS Lambdas auf Basis von Typescript
• Verwendung der Datenbanksysteme PostgreSQL in einem AWS RDS Aurora Cluster sowie AWS DynamoDB
• Continuous Deployment mit GitLab Pipelines
• Aufbau einer Infrastructure-as-Code-Umgebung mit AWS CDK
• Aufbau und Betrieb einer Monitoring-Plattform auf Basis von AWS CloudWatch
• Entwicklung diverser Frontend-Komponenten auf Basis von Vue.js
• Konzeption der Microservice-Architektur unter Anwendung von Domain Driven Design und GraphQL-Schnittstellen

• Entwicklung eines Greenfield-CRMs zur Verwaltung eingehender Kundenanfragen für einen kommunalen Versorger
• Umsetzung mit PHP/Symfony 5, EasyAdmin, Doctrine ORM und Oracle XE
• Nach der anfänglichen Implementierung planmäßige Übergabe an CiS GmbH

• Spezialisiert auf ereignisgesteuerte Microservice-Architekturen in AWS mit NodeJS, TypeScript und Vue/React/Next im Frontend

• Ein SaaS-Produkt im B2B-Bereich entwickelt

• AWS-Services genutzt: DynamoDB, Lambda, SQS, SES, EventBridge, Cognito; Serverless Framework; REST-API

• Unit-Tests mit Jest und Mocha implementiert

• CI/CD-Pipeline mit GitHub Actions eingerichtet

• Ein SaaS-Produkt für die Organisationsverwaltung entwickelt

• An AWS-Microservice-Architektur und ereignisgesteuertem Design gearbeitet

• CDK, NodeJS-OpenAI-API, React, Vue eingesetzt

• Weiterhin DynamoDB, Lambda, SQS, SES, EventBridge, Cognito, TypeScript verwendet

• CI/CD-Pipeline mit GitHub Actions gepflegt

• Sprachen: PHP7/8 (Shopware 5 & 6), Vue.js, Docker, Oracle, Apache, MongoDB (NoSQL)
• Infrastruktur: ScaleCommerce (E-Commerce-Cluster, containerbasiert)
• Team: 3
• Entwicklungsmethodik: Kanban (Jira/Confluence)
• Planung und Entwicklung unterschiedlicher Kundenprojekte im Agenturumfeld

• Datenpipelines für rohe und kuratierte Datenschichten mit AWS S3, Glue, Athena und Lake Formation erstellen
• CI/CD mit GitHub Actions oder GitLab CI und CodePipeline einrichten
• Modelle in Demo-APIs prototypisch umsetzen, mit Docker verpacken, in Git versionieren, Grundtests mit pytest hinzufügen und Deployments auf AWS SageMaker Endpoint unterstützen
• Explorative Datenanalyse und Feature Engineering mit pandas und PySpark durchführen; Experimente in MLflow oder Weights and Biases nachverfolgen
• A/B-Tests entwerfen und durchführen, um das Nutzerengagement zu optimieren und datenbasierte Entscheidungen zu treffen