Azure Machine Learning Experten in Deutschland

• Konzeption und Entwicklung einer Multi-Tenant-SaaS-Plattform, mit der Unternehmen ihre eigenen Wissensdatenbanken aufbauen und mit individuell gebrandeten KI-Assistenten chatten können (White-Label-Ansatz mit dynamischem Branding pro Organisation).
• Implementierung einer skalierbaren RAG-Architektur mit einer GPT-4o-Tool-Use-Loop, hybrider semantischer Suche und strikter Mandantentrennung auf Datenbank- und Suchindex-Ebene.
• Aufbau persistenter, projektähnlicher Chat-Sessions inklusive Streaming-API (SSE), mehrsprachiger Unterstützung sowie Sprach-Ein- und Ausgabe (STT/TTS).
• Bereitstellung der Cloud-Infrastruktur als Infrastructure-as-Code, vollständig automatisierte CI/CD-Pipelines pro Kunde und ein Onboarding-Prozess für neue Mandanten.

Verwendete Technologien: Python, FastAPI, Pydantic (v2 noted), Next.js, React, TypeScript, Tailwind CSS, OpenAI / LLMs (GPT-4o), Azure AI Search, Cosmos DB, Azure Blob Storage, Azure Cognitive Services Speech, Azure App Service, Azure Container Registry, Retrieval-Augmented Generation (RAG), Server-Sent Events (SSE), Docker, Terraform, GitHub Actions, REST, OpenID Connect (OIDC), Multi-Tenancy

• Verantwortlich für die Full-Stack-Entwicklung einer AI-native Unternehmensplattform auf Basis von TypeScript, React, Vite, tRPC, Hono und PostgreSQL, die KI-gestützte Beratungs-Workflows für B2B-Kunden liefert.
• Entwarf und lieferte ein Multi-Agenten-KI-System mit dem ReAct-Framework und Claude-Skills-Workflow-Mustern, inklusive eines intelligenten PM-Assistenten mit umfangreichen System-Prompts, Slash-Befehlen, Tool-Integrationen und Streaming-Chat-Oberfläche.
• Entwickelte ein LLM-Bewertungs-Framework: rubrikbasierte LLM-als-Richter, Golden Datasets, Regressionstests und automatisierte Qualitätssicherung — für konsistente KI-Ausgabequalität in großem Maßstab.
• Integrierte LangFuse für durchgehendes LLM-Tracking, Konversations-Wiedergaben und Bewertungs-Pipelines, was datengetriebene Prompt-Optimierung ermöglichte und Token-Kosten sowie Antwort-Varianz reduzierte.
• Implementierte Drizzle ORM, pgvector und Knowledge Graphs für strukturierten Datenzugriff, semantische Suche und beziehungsorientiertes KI-Schlussfolgern über die gesamte Plattform.
• Führte die TanStack React Query-Migration in der gesamten Anwendung durch — ersetzte manuelles State-Management durch zentrales Caching und automatisches Refetching, was den Boilerplate-Aufwand für Datenabrufe deutlich reduzierte.
• Setzte AI-native Entwicklung durchgehend ein: Claude Code, Codex, Perplexity SDK und LLM-unterstütztes Testing im gesamten Entwicklungszyklus. Deployment auf Vercel + Azure ACA mit Biome für Linting/Formatting.

• Entwickelte ein Bewertungsframework für KI-generierte Multiview-Fahrvideos, das für Wahrnehmungs- und Embodied-AI/VLA-bezogene Trainingsworkflows gedacht ist.
• Entwarf automatisierte Prüfungen für zeitliche Kohärenz, Kamerakonsistenz, semantische Korrektheit und geometrische Multiview-Qualität und deckte dabei Ausfallmodi auf, die für autonome Systeme relevant sind.
• Kombinierte klassische Computer Vision, gelernte visuelle Repräsentationen und Vision-Language-Modelle, um komplexe Videoartefakte in messbare technische Signale zu überführen.
• Aufbau wiederholbarer Benchmarking- und Fehleranalyse-Workflows zur Unterstützung von Modellvergleichen, Datenqualitätsentscheidungen und Systemverbesserungs-Diskussionen.

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

Entwicklung eines Routenplaners zur Störungskommunikation.

• Entwicklung der REST-API
• Aufbau eines Patch-Systems zur Pflege des Routing-Graphen
• Erweiterung der Testinfrastruktur
• Performance- und Speicheroptimierung (JMeter, JFR)

Technologien: Java 21, Spring Boot, JGraphT, Flyway, MapStruct, Caffeine, ShedLock, JMeter, Kubernetes, JFR

Kunden: CARIAD, AUDI AG

• Aufbau und Bereitstellung von Enterprise-MLOps-Pipelines mit Azure Machine Learning und Databricks. Reduzierte die Release-Zyklen für Modelle um 95 Prozent, von vier Wochen auf zwei Tage, durch automatisierte CI/CD-Workflows.
• Auslieferung von cloudnativen DevOps-Plattformen für ADAS-Programme mit Azure-Datendiensten, Kubernetes und Terraform-basierter Infrastrukturbereitstellung.
• Entwurf von High-Availability-Architekturen mit automatischem Failover. Senkte die Systemausfallzeit um 85 Prozent für geschäftskritische Energy-Trading-Plattformen.
• Entwicklung und Integration von KI-Agents und Enterprise-Chatbots mit LangChain, AutoGPT und GPT-Modellen. Ermöglichte autonome Workflows und automatisierte Abläufe auf Basis von Entscheidungen.
• Reduzierung der Cloud-Infrastrukturkosten um 40 Prozent durch Autoscaling-Strategien, Nutzung von Spot-Instanzen und richtliniengesteuerte Ressourcenverwaltung über Azure und AWS hinweg.
• Zusammenarbeit mit Data Scientists, ML Engineers, Produktmanagern und Führungskräften, um groß angelegte Lösungen für Automotive und Energie zu liefern.
• Implementierung von GitOps-gesteuerten CI/CD-Pipelines für die Softwareauslieferung im Automotive-Bereich für über 500 Ingenieure in verteilten Produktteams.
• Entwurf und Betrieb von Kubernetes-Plattformen auf Azure AKS. Verbesserte die Bereitungsstabilität und reduzierte Rollback-Vorfälle um 70 Prozent.
• Implementierung von Observability- und Monitoring-Stacks mit Prometheus, Grafana und Azure Monitor. Erreichte 99,9 Prozent Serviceverfügbarkeit.

Python, SQL, PySpark, Databricks, Databricks SQL, Delta Lake, dbt, Azure Data Lake Storage, Azure Machine Learning, Azure DevOps, Power BI, Git, MLflow

• Entwicklung, Validierung und Optimierung von Predictive-Analytics- und Klassifikationsmodellen mit Python (pandas), SQL und modernen ML-Frameworks.
• Durchführung von Datenanalysen, Feature Engineering, Modellvalidierung, Cross-Validation und Stabilitätsanalysen, um eine robuste Modellqualität und Performance sicherzustellen.
• Kommunikation von Modellannahmen, Ergebnissen, Unsicherheiten und Grenzen an Fachbereiche, Management und technische Stakeholder.
• Aufbau skalierbarer Daten- und Machine-Learning-Workflows in cloudbasierten Analytics-Umgebungen mit Databricks und Microsoft Azure.

• Führung der Cloud- und Data-Engineering-Organisation und Festlegung der Architekturstrategie für Next-Generation-Datenplattformen
• Entwurf und Bereitstellung eines Datenmanagementsystems für Fahrzeugflotten mit skalierbaren Ingestion-Pipelines, Signal-Katalogverwaltung und Kampagnen-Workflows
• Aufbau cloud-nativer Microservices und Streaming-Architekturen zur Verarbeitung von Echtzeit-Fahrzeugdaten und KI-gestützter Bedrohungserkennung
• Etablierung von Engineering-Standards für Datenqualität, Sicherheit, Data Lineage und Governance in Übereinstimmung mit ISO/SAE 21434 und DSGVO
• Leitung von Engineering-Teams in den Bereichen Daten, Backend, Cloud und KI zur Sicherstellung einer gleichbleibenden Bereitstellung hochwertiger, produktionsreifer Lösungen

• Analyse großer Kraftwerksdaten zur Entwicklung und Optimierung von wichtigen Leistungskennzahlen (KPIs) zur Überwachung der Flottenleistung.
• Entwurf und Entwicklung interaktiver Power BI-Dashboards zur Echtzeiteinsicht in zentrale Geschäftskennzahlen, was die Entscheidungsprozesse in den Abteilungen verbessert.
• Zusammenarbeit mit Vor-Ort-Ingenieuren und dem Asset Management, um Leistungskennzahlen über mehrere Länder hinweg zu harmonisieren.
• Unterstützung von Digitalisierungsinitiativen durch Umsetzung datenbasierter Anwendungsfälle mit agilen Projektmanagementmethoden.
• Nutzung von OSIsoft PI-Systemen für Zeitreihenanalyse und Visualisierung zur Verbesserung der betrieblichen Einblicke.

• 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)

• Entwickelte 12+ Seq2Seq-Modelle (LSTMs/GRUs), um ein KI-Modell zu trainieren, und unterstützte damit den KI-Agenten-Evaluationsanalysten sowie Online-Projekte in komplexen Systemen.
• Führte 15+ Experimente durch, um die Prognosegenauigkeit um 28% zu steigern, wandte analytisches Denken an und testete Modelle für QA und die Abdeckung von Randfällen.
• Untersuchte als Berater über 20 Fachartikel, um das Design großer Sprachmodelle zu steuern und logische Implikationen sowie die Übereinstimmung mit dem Fachgebiet sicherzustellen.
• Sparte 40% Rechenzeit durch Modellkompression mit einem wiederverwendbaren PyTorch-Framework ein und unterstützte Entwickler und Autoren dabei, Verbesserungen vorzuschlagen und Richtlinien zu optimieren.

• Redesign der „Hessischen Plattform für Migration und Flüchtlinge"
• Technologien: C#, .NET 8.0, ASP.NET WebAPI, Blazor
• Architekturprinzipien: Domain Driven Design, Mediator Pattern, Outbox Pattern, IOSP, Clean Code
• Methodologien: SCRUM, Coaching, Team Lead

• Komplexe, KI-basierte Energiesystemmodelle in das Frontend-Framework integriert, was die Visualisierung von Erkenntnissen für mehr als 6 Schlüsselkunden ermöglichte und die Energienutzung maximierte.
• Energieeffizienz und Auslastung maximiert, indem der nahtlose Datenfluss zwischen KI-Modellen und der Benutzeroberfläche für schnelle, umsetzbare Berichte konzipiert wurde.