Azure Kubernetes Service Experten in Frankfurt

• Vervollständigung der Logquellen-Anbindung an Microsoft Sentinel inklusive Integration von GCP-Workloads – zentrale Konsolidierung aller sicherheitsrelevanten Ereignisse aus Azure- und GCP-Umgebungen für vollständige End-to-End-Telemetrie und lückenlose Compliance-Nachweise
• Entwicklung von Custom Rules und Use Cases auf Basis der GFG Use-Case Library und der MITRE ATT&CK Matrix, um unternehmensspezifische Bedrohungen und GFG-relevante Szenarien mit präzisen, gemappten Erkennungsregeln abzudecken
• Tuning der Erkennungsregeln zur Minimierung von Fehlalarmen, Optimierung der Erkennungsschwellen und Modellierung von Ausnahmen – das SOC arbeitet mit relevanten, priorisierten Alerts bei reduzierter Mean-Time-to-Detect/Respond
• Aufbau von SOAR-Funktionalitäten in Sentinel durch Entwicklung von Playbooks zur Automatisierung wiederkehrender Response-Abläufe wie Containment, Nutzer- und Host-Isolierung sowie Ticketing – kürzere Reaktionszeiten und 24/7-Skalierbarkeit
• Konzeption und Aufbau einer Log-Transformationslösung zur Normalisierung und Anreicherung eingehender Rohlogs (GeoIP, CMDB, Threat Intelligence) und Überführung in ein einheitliches Schema für performante KQL-Abfragen, Use-Case-Logik und Korrelationen
• Verwaltung der Azure Security über Azure Policies zur präskriptiven Durchsetzung von Sicherheits- und Compliance-Standards, Verhinderung von Drift sowie kontinuierlicher Remediation von Abweichungen
• Betrieb des Defender XDR Portals zur Verknüpfung von Endpunkt-, Identitäts-, E-Mail- und SaaS-Signalen mit Sentinel-Findings, ganzheitlicher Triagierung von Vorfällen und Orchestrierung von Maßnahmen direkt aus XDR

Technologien: Microsoft Sentinel, Microsoft Defender XDR, Azure Policy, KQL, GCP, MITRE ATT&CK

• Vollständig On-Premises betriebene LLM-Plattform zur Dokumentenprüfung für einen Compliance-kritischen Bankbereich: agentenbasierte LangGraph-Pipeline mit deterministischer Verifizierung, jedes KI-Urteil strukturiert und an die Quelle gebunden; ~960 automatisierte Tests, kein Datenabfluss
• GPU-Durchsatzoptimierung (quantized serving, speculative decoding, prefix caching): 9.5-fache Beschleunigung der Extraktion, 500+ Fallakten mit mehreren Dokumenten pro Tag auf einer einzelnen A100
• KI-native EDI/EDIFACT-Integrationsplattform (~116k LOC Java 25 / Spring Boot 4, 1,900+ Tests): Von LLM erstellte Partnermappings werden vor dem Go-live maschinell verifiziert (DFDL-Konformität, Feldabdeckungsprüfungen, Testläufe), ~99.5% Byte-Übereinstimmung bei echten Kundendateien – ersetzt wochenlange manuelle Zuordnung pro Partner

• Konzeption, Erweiterung und Umsetzung der Schnittstellen (REST, GraphQL, Kafka)
• Architektur und Umsetzung Cloud-nativer Microservices auf Azure Kubernetes Service
• Domain-Driven Design, Event-Driven Architecture mit Kafka
• Entwicklung einer umfangreichen Query-Engine für REST-Endpunkte basierend auf fachlichen Objekten
• Konzeption und Realisierung der Klassifikation von Stammdaten mithilfe von Machine-Learning-Algorithmen (Library Weka, Spotify Voyager)
• Analyse und Auswertung komplexer Lasttestszenarien und Ableitung von Optimierungen
• Steigerung der Systemresilienz (Kafka Error Handling, Circuit Breaker, Sidecar Service Mesh in Go)
• Integration mit CIAM-Systemen (asynchrone Echtzeit-Synchronisierung und Definition der Datenhoheit, Autorisierung, Authentisierung)
• Anbindung Azure Service Bus (AMQP-Protokoll)
• Konzeption und Umsetzung von komplexen Berechtigungskonzepten (u. a. Delegated Administration)
• Dokumentation der Ergebnisse (Confluence, Architekturbeschreibungen, Architekturentscheidungen)

• Entwurf und Umsetzung der agentischen KI-Architektur für eine unternehmensweite Plattform zur sicheren Bereitstellung von LLM-basierten Agenten
• Design und Implementierung von End-to-End RAG-Pipelines aus multiplen Quellen: Dokumentenaufbereitung, Chunking-Strategien für heterogene Dokumenttypen, Embedding, Retrieval mit Re-Ranking und robuste Prompt-Orchestrierung
• Modulares Context-Engineering-Framework mit Skill-Architektur, Kontext-Isolation und dynamischer Ressourcenverwaltung; Human-in-the-Loop-Kontrolle für Enterprise-Tool-Integrationen
• Aufbau der CI/CD-Pipeline, Test-Strategie, Tracing sowohl auf Software-Seite als auch automatisierte LLM- und Agenten-Evaluierungen, Red Team Testing und Tracing sowie Übergabe in reproduzierbaren Betrieb (ISO27001 und SOC2 konform)

• Testen des SekIDP und verwandter Komponenten
• Testdesign, -durchführung und -automation, Microservices, GitHub Enterprise, Eclipse, Katalon Test Platform, API-Tests, Confluence 8, JIRA/Xray, Draw.io, Swagger/OpenAPI, Postman, Docker, Kubernetes, Podman, PuTTY, E-Health, Telematik, Gematik-Standards, ePA, E-Rezept, sektoraler IDP, Verschlüsselung, XaDES, PaDES, DICOM, HL7, FHIR, IHE, ICD, SSO, SAML/Shibboleth, OAuth, Smartcards, JWT, Zwei-Faktor-Authentifizierung auf Android und iOS, Wireshark, BrowserStack, Cypress, gRPC, REST, SOAP, WS-Security, Linux-Shell, PowerShell, SSH/SSL, Java, Kotlin, Cordova, Gradle, Groovy, Python, TypeScript

Leitung des gesamten SAP S/4Hana Cloud-Migrationsprogramms über 8 Teams mit direkter Führungsverantwortung für 4 Teams in den Bereichen Datenmigration und Erstellung eines Business-Cockpits einschließlich Stakeholdermanagement sowie Konfiguration von Jira- und SharePoint-Workflows.

• Einführung der ersten S/4Hana Cloud-Produktiteration bis Ende 2025, wodurch die Rückmeldequote der Kunden um 25% und die termingerechte Lieferung von FMCG um 40% verbessert wurden.
• Einführung von KI-gestützten Coding-Tools, die durch automatisierte Codegenerierung und Tests die durchschnittliche Bearbeitungszeit von Story Points um 30% reduzierten, bestätigt durch Team-Velocity-Metriken.
• Leitung von drei Entwicklungs- und einem Datenmigrationsteam mit jeweils 5 Entwicklern, SAP-Beratern und mehreren Business Key Usern durch Anpassung von Scrum- und Kanban-Frameworks sowie Steuerung eines Budgets von €5.5m.
• Steuerung von drei externen Dienstleistern mit verschiedenen SAP-Beratern und Entwicklern einschließlich Budget- und Ressourcenallokationsmanagement.
• Aufbau des übergreifenden Projektskalierungs-Frameworks mit Nexus für das gesamte Migrationsprojekt einschließlich allgemeinem Feature-Deployment-Plan, 8 Team-Pfaden und Iterationen in Jira, Risikoregister und Ressourcenplanung.
• Definition des Datenmigrationsansatzes für die Bereiche Geschäftspartner und Material durch zwei Scoping-Workshops sowie Erstellung des vollständigen Projektplans einschließlich des Umfangs für das Preis- und Logistik-Cockpit.

• Implementierung der spezifizierten DevOps-Lösungen zur Automatisierung der Infrastruktur (Terraform, Bicep, CloudFormation, Ansible) im lokalen Rechenzentrum (Ovirt, Proxmox, Ceph-Cluster, MinIO) und in der Private Cloud.
• Verwaltung, Konfiguration und Umsetzung von CI/CD-DevOps-Pipelines (GitLab, GitFlow) zur Unterstützung des Entwicklungsprozesses (Artifactory, Prometheus, Istio, Service Mesh, Helm Charts, OpenShift (Red Hat Enterprise) / Kubernetes-Cluster), Red Hat Satellite.
• Verwaltung, Einrichtung, Überwachung und Einspielung von Patches der Linux-Infrastruktur auf Basis von Red Hat Enterprise für Dev, Test und QA.
• Einsatz von Scrum- und Kanban-Methoden.
• Verwaltung, Konfiguration und Umsetzung von Sicherheitsstandards für die Bereitstellung in den Dev-, Test-, QA- und Produktionsphasen der neuen ePA-Anwendungen.
• Entwicklung neuer Plugins und Add-ons für die bestehende Infrastruktur.
• Datenbankunterstützung.
• Unterstützung der Datenanalyse (Python, Spark, Pandas, Power BI, Splunk Enterprise).
• Umsetzung von Best Practices für DevSecOps und BizDevOps unter Einsatz von GitOps (ArgoCD), Streamlit-Framework und Semaphore Ansible UI.
• Konfiguration und Test von iperf, uperf, sysbench mit dem Benchmark-Operator für externe Quelldaten und IoT/MDM-Geräte, Erstellung von Berichten über ELK/OpenSearch.
• Aufbau einer neuen Databricks-Plattform zur Sammlung und Analyse von Big Data aus verschiedenen Quellen und IoT-Geräten im Hadoop-Framework (Python, Pandas, PySpark, Power BI, Apache Airflow).
• Aufbau der Backend-Datenaggregation und -verarbeitung zur Automatisierung der Bereitstellung von Konfigurationen zwischen verschiedenen OpenShift-Clustern und dem Big-Data-Framework (Python, Pandas, PySpark, Apache Spark, PostgreSQL, Django 2, Ansible Automation, Jira JSM).
• Aufbau einer neuen ML-Pipeline-Plattform unter Verwendung von Kubeflow, TensorFlow, KServe.
• Extraktion, Transformation und Laden von Daten aus verschiedenen Quellen, einschließlich strukturierter und unstrukturierter Daten, in ein analytisches DWH bzw. Big-Data-Cluster mit Python, Pandas, Polars, Power BI, Django-Backend und PostgreSQL.
• Einrichtung eines neuen DevOps-Test- und QA-HashiCorp-Vault-Clusters für PKI und IAM.
• Konfiguration und Test automatisierter Patches basierend auf CVSS-Bewertungen und SIEM-integrierten CVEs.
• Einsatz von Nexpose und InsightVM zum Scannen von Schwachstellen in Netzwerken, Hosts, Containern und Anwendungen.
• Planung und Umsetzung sicherer und skalierbarer AWS-Architekturen einschließlich VPC, EC2, S3, RDS und Route53 sowie ähnlicher Umgebungen auf Azure und GCP.
• Automatisierte Systembereitstellung und -deployment mit CloudFormation-Vorlagen.
• Konfiguration von IAM-Rollen, Richtlinien und Berechtigungen zur Gewährleistung einer sicheren Zugriffskontrolle.
• Patch-Management, Backup-Automatisierung und Einrichtung der Notfallwiederherstellung in der AWS-Infrastruktur.
• Überwachung und Optimierung der Systemleistung mit AWS CloudWatch und AWS Trusted Advisor.
• Unterstützung von VMware-Diensten (vSphere, Aria, Horizon) und der virtuellen Desktop-Umgebung.
• Entwicklung und Wartung von CI/CD-Pipelines mit Jenkins, GitLab CI/CD und AWS CodePipeline mit Schnittstelle zu Nutanix.
• Konfiguration von AWS CloudWatch zur Überwachung der Anwendungsleistung und Systemereignisse.
• Planung und Durchführung der Migration von On-Premises-Anwendungen zu AWS-Cloud-Plattformen.
• Bereitstellung containerisierter Anwendungen mit Docker und Kubernetes in AWS-Umgebungen.
• Bereitstellung interner Softwarepakete zwischen Verfügbarkeitszonen mit AWS CodeDeploy.
• Erstellen und Bereitstellen von ML-Modellen mit Scikit-Learn, XGBoost und Spark MLlib einschließlich Hyperparameter-Tuning, Modellevaluation und Produktivsetzung.

• Implementierung komplexer Azure-Ressourcen mit Terraform IaC und Azure DevSecOps-Pipelines mit Netzwerksicherheit und Zero-Trust-Governance-Richtlinien
• Optimierung des bestehenden Netzwerkplans, der Firewall und der Datenbankmigration
• Implementierung von Governance- und Netzwerkrichtlinien als Richtlinie als Code (PaC)
• Aufbau der unternehmensweiten Azure-Konnektivität mittels Azure VPN als IPSec-Tunnel
• Realisierung der Hybrid-OnPrem-Multi-Cloud-Konnektivität (GCP, Azure) mit Terraform
• Erstellung von Azure Functions für geplante Cron-Jobs und Service-Bus-Nachrichtenwarteschlangen (Topics)
• Optimierung des Messaging mit Premium-Funktionen des Service Bus und IP-Whitelisting
• Stakeholder-Management, Kundenkommunikation und Erstellung architektonischer Entscheidungsdokumente (ADR)
• Verantwortung für kosteneffiziente Schnellgewinne in Azure und On-Prem-Systemen