AWS Step Functions Experten in Deutschland

• 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

• 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

• Entwickelte und implementierte skalierbare ETL/ELT-Pipelines mit Python, SQL, dbt, AWS und Informatica, um Daten aus Quellen wie APIs, relationalen Datenbanken und Flat Files in Snowflake zu laden, und verringerte die Pipeline-Laufzeit um ca. 30 %.
• Migrierte umfangreiche Datensätze von On-Premises Teradata zu Snowflake unter Nutzung von AWS-Diensten (S3, Glue, Step Functions, IAM) und stellte so Datenkonsistenz und Integrität sicher.
• Setzte die Kimball-Methodik zur Gestaltung von Stern- und Schneeflockenschemas ein, verbesserte die Abfrageleistung und senkte die Snowflake-Kosten.
• Implementierte automatisierte Datenqualitätsprüfungen mit SQL-basierten dbt-Tests und dem Great Expectations-Framework, um Anomalien zu erkennen und die Datenkorrektheit vor Produktionsläufen sicherzustellen.
• Orchestrierte ETL-Workflows in Airflow mit Python und verwaltete Code-Bereitstellungen über Git nach CI/CD-Best-Practices, um die Zuverlässigkeit zu steigern und die Pipeline-Verfügbarkeit zu gewährleisten.
• Erstellte interaktive Power-BI-Dashboards und kuratierte Datensätze, um datenbasierte Entscheidungen für Stakeholder zu ermöglichen.
• Pflegte technische Dokumentation in Confluence für ETL-Workflows und leitete Wissensaustauschsitzungen für neue Teammitglieder.

• Entwicklung und Wartung geschäftskritischer COBOL-Anwendungen im IBM z/OS Mainframe-Umfeld
• Durchführung von Datenbankänderungen und -updates auf DB2 for z/OS
• Durchführung von Incident-, Problem- und Change-Management im produktionskritischen Umfeld unter Nutzung von ServiceNow
• Durchführung und Unterstützung von Lasttests, Performance-Tests und Pre-Production-Tests zur Stabilisierung geschäftskritischer Mainframe-Systeme
• Nutzung von Mainframe-Tools wie ISPF, TSO, SDSF, XINFO sowie Jobsteuerung über UC4 / Automic
• Entwicklung und Integration von Java-basierten Services und API-nahen Komponenten
• Arbeit in agilen Projektteams (Scrum/Kanban) inkl. Nutzung von Jira und Confluence für Backlog-, Change- und Dokumentationsmanagement

• 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

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

• Technische Leitung und Architektur für Enterprise-Kunden (u.a. LR Health & Beauty, Deutsche Bahn, Trusted Shops)
• Cloud-Migration, Microservices-Architekturen, CI/CD-Optimierung

• End-to-end-Datenpipelines (Batch & Streaming) mit Python, SQL und Apache Spark sowie Databricks auf AWS entworfen und umgesetzt und dabei die ETL-Latenz um 40 % reduziert.
• Serverless, ereignisgesteuerte Ingestion-Pipelines mit AWS Lambda und SQS entwickelt und so die Echtzeitverfügbarkeit der Daten für nachgelagerte Analysen sichergestellt.
• Google Cloud Platform (GCP)-Services wie BigQuery und Dataflow genutzt, um Cloud-übergreifende Data-Warehousing- und Analytics-Integrationen zu steuern.
• Erfahrung mit DMS (CDC, Full Load) und Airflow für skalierbare Automatisierung und Orchestrierung von Datenpipelines.
• Datenpipelines mit Databricks und Airflow verwaltet und angepasst. Automatisierung mit Docker, Kubernetes und Terraform.
• Datenqualitätsprüfungen mit dbt automatisiert, um Transformationen zu modularisieren und eine produktionsreife Data Lineage sicherzustellen, wodurch die Zuverlässigkeit um 30 % verbessert wurde.
• Mit Compliance-Teams zusammengearbeitet, um die Einhaltung von GDPR und SOC2 sicherzustellen. Junior Engineers betreut und bei der Refaktorierung der Architektur für mehr Skalierbarkeit mitgewirkt.
• Dashboards in Power BI erstellt und gepflegt, um umsetzbare Einblicke zu liefern.

• Weiter- und teilweise Neuentwicklung einer verteilten Cloud-Anwendung zur Bereitstellung von Daten im Energiehandel
• Selbstständige Implementierung der Infrastruktur (IaC)
• Erstellung von automatisierten CI/CD-Pipelines, Containern, REST-APIs und Lambdas
• Ständige Kosten- und Performanceoptimierung
• Zusammenarbeit im internationalen Scrum-Team und mit Experten im Energiehandel
• Technologien: C#/ASP.NET Core; EF Core; PostgreSQL; Terraform/AWS CloudFormation; HTTP; REST/Web API; Swagger/OpenAPI; Azure DevOps; Rider; VS Code; git; Docker; AWS (S3, EC2, Fargate, Lambda, Step Functions, Secrets Manager, VPCs, ALB/NLB, RDS, Cloudwatch, AWS CLI, Amazon MQ); Redis; OAuth; OpenID Connect
• Sprachen: C#; TypeScript; HCL; Docker; Bash; PowerShell; YML; JSON

• Unterstützung beim Entwurf der AWS-Infrastruktur, integrierter Dienste und der Backend-Architektur für Use Cases einer On-Premise-Lösung und teilweiser Migrationen zu AWS mit schnellen Reaktionszeiten
• Implementierung automatisierter AWS-Integrationstest-Suiten
• Umsetzung von geschäftskritischen Komponenten und Lieferung vor Fristtermin in produktionsreifer Form mit Betriebs- und Überwachungskonzepten
• Dieses zweimonatige Teilprojekt drehte sich um den Aufbau einer datenintensiven Pipeline (5 TB), die kontinuierlich mit Daten angereichert wird
• Entwurf und Implementierung wiederverwendbarer AWS-CDK-Komponenten für Teams im Unternehmen, um ein schnelleres Onboarding in AWS zu ermöglichen
• Coaching zu AWS-Themen, verteilten Softwaremustern, Sicherheit, Domain-Driven Design, agiler Zusammenarbeit und Dokumentation zur Verbesserung von Performance und Zusammenarbeit
• Technologien: AWS, GitHub Actions, ETL, Monitoring, Betrieb, TypeScript, Python, AWS CDK, CloudFormation, Java, Docker, AWS ECS, AWS Lambda, Serverless, Jenkins, DevOps-Prinzipien

• Datastage 11.7, dbt, Oracle 19, Python 3.12 / PySpark 3.5, Azure GitHub, Azure DevOps, Automic
• Entwicklung von Migrations-Jobs zur Übertragung der Daten aus dem Collection-DWH in den neuen Risk Mart sowie Entwicklung von ETL-Strecken zur Migration historischer Daten vom alten Mart in den neuen Risk Mart.
• Speicherung der Silver Layer auf Hadoop und der Gold Layer in Oracle.
• Übersetzung von DataStage-Jobs in dbt zur Veröffentlichung von Berichtsdaten in der Google Cloud auf eine PostgreSQL-Datenbank.
• Erstellung und Optimierung komplexer SQL-Abfragen zur Datenextraktion aus einem Data Vault unter Berücksichtigung der Historisierung in den Point-in-Time-Tabellen.
• Erstellung von Oracle-Tabellendefinitionen (DDL) und Anpassung bestehender Stored Procedures.
• Versionierung der Änderungen in GitHub und Deployment über das CI/CD-Portal.
• Umbau von DataStage-Langläufer-Jobs in Python unter Einsatz von PySpark zur Reduzierung der Serverlast.
• Migration von SAS-Skripten nach PL/SQL einschließlich Neuentwicklung von Verteilungsfunktionen ohne direktes Äquivalent in Oracle.
• Entwicklung von Automic-Jobs zur Ausführung von DataStage-Strecken und Python-Skripten (PySpark-Jobs), die die Befüllung der SME- und Institutional-Risk-Tabellen im Risk Mart steuern und fachliche Berechnungen ausführen.
• Teilnahme am agilen Prozess, einschließlich der Erstellung von User Stories, Schätzungen und Planung in Azure DevOps.
• Bearbeitung von Azure DevOps-Tickets und enge Zusammenarbeit mit Testern und Fachbereichen zur Fehleranalyse und -behebung.

• Bootstrapping eines CloudOps-Teams und Aufbau eines Multi-Cloud Provider-Backends für eine Low-Code Internal Developer Platform (IDP) mit env zero

• Einführung von User Story Mapping, ADRs, Meilensteinen und Backlog-Management

• Konzeption und Entwicklung der Kern-APIs, Setup von CI/CD-Pipelines, OpenTofu/Terraform-Skripte

• Vertretung und Kommunikation des Teams bei Third-Party Stakeholdern (z. B. env zero)

• (Cross-)Team-Coaching zu DevOps, Softwaredesign, Terraform, Golang und Agilen Methoden

• ETL-Services für den ereignisgesteuerten Datenaustausch zwischen Unternehmenssystemen auf einem Kafka-Streaming-Backbone entworfen.
• CI/CD-Pipelines für Azure AKS-Deployments optimiert und Monitoring sowie Alerting in OpenSearch für eine proaktive Erkennung von Vorfällen verbessert.

Tech: Java / Kotlin, Quarkus, Kafka / Avro, Azure / AKS, Azure Storage Container, ArgoCD, GitLab CI, OpenSearch, Terraform