Claude Code Experten in Deutschland

• Neugestaltung der BI-Infrastruktur des Unternehmens: Ablösung einer fragmentierten Landschaft aus manuell gepflegten Excel-Lösungen und CSV-Importen durch eine zentralisierte Power-BI-Umgebung mit einem einheitlichen Datenmodell als unternehmensweiter Single Source of Truth
• Konsolidierung zuvor isolierter Reporting-Logiken in einem zentralen semantischen Modell – Eliminierung redundanter Dateien, manueller Datenübergaben und widersprüchlicher Kennzahlen zwischen den Fachbereichen
• Forecasting & Planung: Konzeption und Umsetzung einer unternehmensweiten Liquiditätsplanung in Power BI – von der fachlichen Logik bis zum vollautomatisierten, datenquellengetriebenen Planungsmodell als Ersatz für den bisherigen manuellen Excel-Prozess; ermöglicht rollierende Forecasts und laufend aktuelle Cashflow-Transparenz für die Geschäftsführung
• Optimierung bestehender Power-BI-Dashboards hinsichtlich Performance, Struktur und analytischem Mehrwert mittels AI-nativem Ansatz
• Analyse und Verbesserung des Datenmodells inkl. Datenqualitätsanalysen, Datenbereinigung und konsistenter Modellierung über Star Schema, DAX und Power Query
• Incident- & Anomalieanalyse: Identifikation, Untersuchung und Erklärung von Datenanomalien inkl. Root-Cause-Analyse und konkreten Handlungsempfehlungen
• KI-Lösungsarchitektur: Anbindung von Business Central und Power BI an LangDock via MCP (Model Context Protocol) für KI-gestützte Datennutzung
• Aufbau eines historischen Datenlayers als Basis für Trend- und Zeitreihenanalysen
• KI-gestützte Automatisierung: Konzeption und Entwicklung von KI-Skills, -Agenten, -Loops und -Prozessen zur automatisierten Analyse und Interpretation von Reports
• Automatisierter Reporting-Workflow: Einrichtung eines geplanten, automatisierten E-Mail-Versands KI-generierter Analysen und Empfehlungen an Stakeholder
• Erhebung und Dokumentation fachlicher Anforderungen sowie Abstimmung mit Fachbereichen und IT im Rahmen von Requirements Engineering / Product-Owner-Tätigkeiten
• Herunterbrechen der Gesamtanforderungen in klar definierte Arbeitspakete und Tasks
• Definition, Priorisierung und Steuerung von Meilensteinen über den gesamten Projektlebenszyklus

Tools: POWER BI, M365, Copilot Studio, MIRO, Microsoft Business Central, Microsoft Fabric, Claude AI, ChatGPT, LangDock, MS VS Code

Der Auftraggeber betreibt eine SaaS-Plattform für das Management von Schienenverkehrs- und Intermodaltransporten (Rail-Flow Transport Management Plattform).

Für zwei seiner Kunden sucht dieser eine 3-monatige Vertretung der Projektleitung. Beide Kunden bieten Schienen- und Intermodalverkehre an. Der Fortschritt in der Umsetzung ist unterschiedlich: einer der Kunden ist bereits live und möchte seine Erweiterungen der Phase 2 umgesetzt haben; der andere Kunde ist in der MVP-Umsetzung und steigt in eine intensive Testphase ein.

Im Rahmen des Mandates wird die Projektleitung übernommen inkl. Steuerung des internen Entwicklerteams (Offshore Turkei).

• Übernahme der kompletten Projektleitung von 2 Kundenprojekten inkl. der Rollen Product Owner und Co-Scrum Master
• Steuerung der agilen Umsetzungsteams bestehend aus Business Analysten, Implementation Consultants, Entwickler (Offshore) und QA-Mitarbeitenden
• Einhaltung und Weiterentwicklung der Projekt-Governance
• Planung und Rollout-Management: Erstellung und Pflege von Projekt- und Rollout-Plänen sowie Abstimmung der Rollenverteilung mit dem Management des Auftraggebers
• Anforderungs- und Änderungsmanagement: Verwaltung von vertraglichen Anforderungen, Bugs und Changes
• Kunden- und Projektkommunikation: Organisation und Moderation von Statusmeetings und Lenkungsausschüssen
• Identifikation von Projektrisiken, Einleitung von Gegenmaßnahmen und Eskalation
• Sicherstellung einer korrekten und fristgerechten Rechnungsstellung für Projektleistungen mit Finance

Methoden: Zeitplanung (vorwärts und rückwärts basiert) inkl. Meilensteinplanung, Strukturierte Interviews, Multi-Projektmanagement (in Englisch)

Tools / Technologien: Jira, Confluence / Atlas, Claude (Skills, Artifakte), MS Outlook

• Einführung eines neuen digitalen Produkts auf dem chinesischen Markt im Rahmen einer globalen Wachstumsstrategie.

• Verbindungspunkt und koordinierende Schnittstelle zwischen zentralem Produktmanagement, lokalen chinesischen Teams und internationalen Stakeholdern.

• Steuerung des gesamten Programmmanagements zur Koordination komplexer Digitalprojekte.

• Erfolgreiche Markteinführung eines digitalen Produkts in China (inkl. erfolgreicher Zertifizierung für den chinesischen Markt).

• Ausbalancierung lokaler Anforderungen mit den globalen Prioritäten unter Berücksichtigung steuerlicher und regulatorischer Rahmenbedingungen.

• Einführung eines neuen Way of Working zur Verbesserung der standortübergreifenden Zusammenarbeit und Steuerung.

• Entwicklung und Umsetzung einer Skalierungsstrategie für das digitale Geschäftsmodell in China.

• Einsatz von Jira, Confluence, Miro, Scrum, Agile Arbeit, SAFe.

• Projektsprache: Englisch.

• Unterstützung einer Data-, Analytics- und KI-Initiative in einem regulierten Enterprise-Umfeld durch Strukturierung, Bewertung und Priorisierung mehrerer datengetriebener Use Cases nach Business Impact, Machbarkeit, Skalierbarkeit, Datenreife und Governance-Anforderungen.
• Übersetzung komplexer Business- und Analytics-Anforderungen in klare Produkt-, Daten- und Umsetzungslogiken sowie Aufbereitung entscheidungsfähiger Unterlagen, Zielbilder und Roadmap-Inputs für Stakeholder- und Management-Abstimmungen.

• Claude-Code-Subagenten, MCP, Pydantic V2, pytest, bandit

• 3 spezialisierte Agenten entwickelt und produktiv eingesetzt, die die Arbeit entlang einer Kette weitergeben: Ein Forschungsagent erstellt eine zitierte Implementierungsspezifikation, ein Coding-Agent entwickelt den modularen Code und seine Tests, und ein Review-Agent bewertet die Ergebnisse nach Schweregrad und setzt die Korrekturen um. Jede Übergabe erfolgt als strukturiertes Dokument, sodass keine Phase vom Kontextfenster eines anderen Agenten abhängt.

• Den Forschungsagenten mit einem MCP-Server für akademische Recherche verbunden (Semantic Scholar, ArXiv, Hugging Face Hub, Zitationsverfolgung), sodass jede Referenz auf ein Tool-Ergebnis und nicht auf das Modell zurückgeht. Commits hinter ruff, mypy, pytest und bandit abgesichert, menschliche Freigabe vor Installationen und Commits verlangt und den Sitzungsstatus auf der Festplatte gespeichert, damit lange Läufe einen Kontext-Reset überstehen.

Reporting und Controlling mittels Power BI für produktives ERP-System

• Analyse der ERP-Daten und Schnittstellen für die Nutzung in Power BI Dashboards
• Bewertung und Migration bestehender Auswertungen (z. B. Excel) nach Power BI
• Entwicklung eines Berechtigungskonzepts für selektiven Datenzugriff
• Dokumentation und Schulung zur Nutzung und Anpassung der Power BI-Dashboards

Label: Power BI, Excel, SelectLine ERP, Microsoft SQL, SQL Server Management Studio

• Entwicklung einer digitalen Audit-Anwendung für Begehungen in medizinischen Einrichtungen. Ziel ist es, Datenerfassung vor Ort, Sprachaufzeichnung, Dokumentation und nachgelagerte Prozesse in einem durchgängigen, KI-gestützten Workflow zu verbinden.

• Konzeption und Entwicklung einer Flutter Audit App mit Claude Code zur strukturierten Durchführung und Dokumentation von Begehungen.

• Verarbeitung der in der App erfassten Sprachaufzeichnungen durch automatische Transkription und KI-gestützte Erstellung strukturierter Begehungsprotokolle mit anschließendem Freigabeprozess

• Anbindung verschiedener Datenquellen wie E-Mail, Odoo 19, Anwesenheitszeiten und Google Drive über n8n zur Automatisierung von Abrechnung und Folgeprozessen

• Automatische Bereitstellung benötigter Dokumente und Versand per E-Mail über n8n gesteuerte Workflows sowie Einbindung von LLMs für die Texterstellung

• Skills: Flutter, Claude Code, LLM Integration, n8n, Odoo 19, Google Drive, Prozessautomatisierung

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

Auf Evidenz basierende Health-Intelligence-Plattform, die veröffentlichte Forschung in persönliche Gesundheitsprotokolle übersetzt. Sie bewertet 430 Gewohnheiten, Lebensmittel und Supplements anhand der Studien dahinter und passt den Score an, wenn sich die Evidenz ändert. Allein aufgebaut.

• Die tägliche Ingest-Pipeline über PubMed, bioRxiv und medRxiv aufgebaut: 43.000+ Papers aus 3.400+ Journals verarbeitet zu 230.000+ typisierten Evidenz-Claims, jeder einzelne zurückverfolgbar bis zur Studie, aus der er stammt.
• Das sechs Faktoren umfassende Evidenz-Scoring-Modell und das öffentliche Changelog dahinter entworfen, damit keine Empfehlung ohne die zugrunde liegenden Papers erscheint. Bis heute 23.000+ Score-Änderungen erfasst und erklärt.
• Das Entity-Informationsmodell aufgebaut, das jede Intervention mit ihren Mechanismen, Biomarkern und Outcomes verbindet: 118 Biomarker mit regionsspezifischen Referenzbereichen, 77 Mechanismen, 32 bewertete Outcomes.
• Die Personalisierungsschicht gebaut: Ingestion von Blutwerten, die Labor-PDFs mit einem Vision-Modell ausliest und Ergebnisse anhand der Aufwachzeit des Nutzers korrigiert, plus Integration von Oura, WHOOP und Withings für den täglichen Readiness-Kontext.
• Elf spezialisierte Review-Agents über Korpus und Codebase betrieben, für Paper-Kuration, Retrieval-Qualität, Health-Claim-Compliance über EU- und US-Regime hinweg sowie Security.
• Den Evidence Assistant ausgeliefert, einen RAG-Assistenten, der aus der Claim-Datenbank antwortet und die zugrunde liegenden Papers zitiert, plus eine B2B-Practitioner-Stufe, eine Expo React Native App und Lokalisierung in 3 Sprachen und 7 Märkten.

Stack: Next.js 16, TypeScript, Supabase, pgvector, Anthropic Claude, Vercel, DeepInfra.

• Planung und Entwicklung einer CPU-Monitoring-Anwendung zur Überwachung von Systemleistung und Ressourcenauslastung.
• Entwurf und Implementierung eines Spring-Boot-Backends mit REST-API zur Verarbeitung und Bereitstellung von Monitoring-Daten.
• Entwicklung des React-Frontends zur übersichtlichen und benutzerfreundlichen Darstellung der Monitoring-Informationen.
• Integration von PostgreSQL für die persistente Speicherung und Verwaltung der Anwendungsdaten.
• Containerisierung der Anwendung und ihrer Dienste mit Docker Compose.
• Automatisierte Bereitstellung und Deployment der Infrastruktur mit Terraform auf AWS.
• Strukturierung der Anwendung als modernes, wartbares System mit REST-basierter Kommunikation zwischen Frontend und Backend.
• Entwurf und Entwicklung einer sicheren, skalierbaren CPU-Monitoring-Architektur (cpu-watcher) mit einer separaten Collector-Anwendung, die Monitoring-Daten an das Backend streamt und so die direkte Exposition von Systemressourcen reduziert.
• Entwurf einer sicheren Cloud-Infrastruktur mit in ein privates Netzwerk ausgelagerter Datenbank und OIDC-basierter Authentifizierung.
• Umsetzung von Infrastructure as Code mit Terraform und Integration versionskontrollierter CI/CD-Pipelines zur Automatisierung von Tests, Infrastrukturänderungen und Anwendungsdeployments.
• Entwurf und Implementierung der Frontend-Auslieferungsarchitektur mit AWS CloudFront.

Stack: Spring Boot · React · PostgreSQL · REST API · Docker Compose · Terraform · AWS

• Marketingstrategie: End-to-end-Analyse und Bewertung von kanalübergreifenden Marketingkampagnen über die gesamte Customer Journey hinweg. Mein Fokus liegt darauf, Optimierungspotenziale zu erkennen und klare, umsetzbare Empfehlungen abzuleiten, die messbare Geschäftsergebnisse erzielen.
• Data Science & KI: Fortgeschrittene prädiktive Modelle (Churn, LTV), Market-Basket-Analysen, Clustering und KI-gestützte Audience Discovery in Echtzeit mit RAG/LLMs.
• Marketing Analytics & Measurement: End-to-end-Attributionsanalyse, Marketing Mix Modeling (MMM), Audience Segmentation, Conversion-Path-Analyse und A/B-Tests über alle wichtigen Plattformen hinweg.
• Data Engineering & Reporting: Aufbau und Betreuung robuster, plattformübergreifender Datenpipelines (BigQuery, GCP) für die Datenkonsolidierung, automatisierte Dashboard-Erstellung und wichtige API-Integrationen.

• 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

• Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft.
• Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden.
• Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD.

• Wiederkehrendes Problem in eigenen KI-gestützten Projekten: Anforderungsanalyse, Use Cases und Architekturentscheidungen entstehen mit KI-Unterstützung zwar schnell, bleiben aber wenig nachvollziehbar und über Markdown-Dateien verstreut – Wissen geht verloren, sobald es nicht mehr im Kontextfenster ist. arknet macht Requirements Engineering und Architekturwissen zu strukturierten, prüfbaren Daten statt Fließtext: Anforderungen, Use Cases und Architekturentscheidungen als durchgängig verknüpfter Wissensgraph, von der Anforderung bis zur Architekturentscheidung nachvollziehbar – für Menschen und KI-Agenten gleichermaßen abfragbar. Technisch auf RDF/OWL und einem eigenen MCP-Server aufgesetzt.

• Ergebnis: MCP-Daemon lauffähig, Docker-Image automatisiert auf GHCR veröffentlicht, neun hexagonale Module, elf ADRs (u. a. Open-Core-Lizenzmodell). Requirements-Engineering- und Ubiquitous-Language-Hexagon aktiv. Seit 07/2026 als Community Edition unter Apache-2.0 öffentlich (github.com/kogn-io/arknet), zusammen mit dem Claude-Code-Plugin und dem GHCR-Image; Open-Core-Modell.

• Label: Java, Maven, RDF, RDF4J, OWL, SPARQL, Model Context Protocol, Spring AI, Docker, GitHub, Git, Claude Code, Obsidian, DDD, Hexagonal Architecture, ArchUnit, JUnit, AssertJ, Schnittstellenentwicklung, Software Architecture, Continuous Integration, Knowledge Management