Claude Code Experten in Deutschland

• 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.

• Gründer CheironX: KI-gestütztes GRC-Management (ISO 27001, BSI IT-Grundschutz, TISAX, DORA)
• Strategische Vertiefung in Agentic AI und GenAI für modernes IT-Governance, Risk & Compliance Management
• IT-Interim-Management und strategische Beratung

• Erweiterung einer Swing-basierten UI zur Erfassung von Security Restricted Articles bei der Gepäckkontrolle.
• Einführung eines neuen Workflows zur Erfassung von Deboarding Events.
• Erweiterung des Berichtssystems für Security Restricted Articles und Deboarding Events.
• Implementierung erfolgt unter Einsatz von JBoss Wildfly, PostgreSQL, spring-boot 3.x, Java 8/21, Swing, JSF, JAX-RS/Resteasy, Docker, Maven, Kiro.

TOURISMUS

colle-il-diaccino.de · Ferienunterkünfte

• Website konzipiert, gestaltet und entwickelt: interaktive Geländeansicht, Unterkunftsvergleich und Bildergalerien.
• Deutsche, englische und italienische Sprachversionen umgesetzt. Anfrageformulare mit Eingabeprüfung und Spam-Schutz, sprachabhängige SEO-Metadaten und automatisierte Tests eingerichtet.

Stack: Next.js, React, TypeScript, Tailwind, next-intl, React Hook Form, Zod, Resend, Playwright, Vitest

Weiterentwicklung der integrierten Kapazitätsmanagement–Plattform InKa

Schieneninfrastruktur

• Power BI Shared Datasets und Berichte per DirectQuery auf Amazon Redshift (Fahrplan-, Bau-, Kapazitätsdaten)
• Automatisierte Berichtstests mit Playwright in Docker-Containern, Versionierung mit GitLab
• Konzept und Umsetzung der Anwenderkommunikation (Infoseite, Changelog, Known Bugs)

Ausgangslage:

Die integrierte Kapazitätsmanagement-Plattform (InKa) ist eine Monitoring- und Analyseplattform für Daten aus Fahrplan und Kapazitätsmanagement: Kundenbestellungen, Infrastruktur, Fahrplanbetrieb, Bau sowie Streckenleistungsfähigkeit und -breite. Die Daten werden in einem strukturierten Data Warehouse abgelegt und miteinander verknüpft. So lassen sich komplexe Kennzahlen über verschiedene Quellsysteme hinweg bilden und die aktuelle und künftige Streckenauslastung sowie das netzweite Baugeschehen darstellen. Ziel ist, die strategische, mittelfristige und unterjährige Planung zu verbessern und den Nutzenden einen niederschwelligen Zugang zu den Auswertungen des Kapazitätsmanagements zu geben.

Maßnahmen:

• Enablement: Einführung von Power BI mit Trainings und Workshops für Entwicklerteams.
• Beratung & Konzeption: Problemanalysen, Konzepte und Lösungsberatung zu Reporting-Anforderungen; Umsetzung der Planungen für Reporting-Lösungen.
• Datenmodell: Entwicklung von Shared Datasets mit DirectQuery auf Amazon Redshift und Import-Tabellen; DAX-Measures für Auslastungs- und Kapazitätskennzahlen.
• Entwicklung: Datenanalyse, Datentransformation und Visualisierung in Power BI; Erweiterung und Migration von Geschäftsanwendungen nach Power BI; KI-gestützte Entwicklung in VS Code mit GitHub Copilot.
• Testautomatisierung: Automatisierte Tests der Power-BI-Berichte mit Playwright; Aufsetzen der Testumgebung in Docker-Containern.
• Anwenderkommunikation: Konzept und Umsetzung einer zentralen Informationsseite mit Hot News, Changelog und Known Bugs, Absprung aus den Berichten mit Berichtsfilter, Aktualisierung per Power Automate.
• Deployment: Verwalten der Power BI Deployment Pipelines über die Umgebungen DEV, TEST und PROD.
• Agile Arbeitsweise: Arbeit im agilen Team nach SAFe (Scaled Agile Framework); Refinement von User Stories und Features inklusive Aufwandsschätzung in Jira; Versionierung mit Git und GitLab.
• Qualität & Dokumentation: Reviews zur Qualitätssicherung, Fehleranalyse und -behebung, technische Dokumentation in AsciiDoc und Confluence.

Technologien: Power BI, DAX, Power Query, DirectQuery, Amazon Redshift, Git / GitLab, Deployment Pipelines, Playwright, Docker, AsciiDoc, Power Automate, Jira, Confluence, VS Code mit GitHub Copilot, SAFe

Ergebnisse:

• Kennzahlen des Kapazitätsmanagements über mehrere Quellsysteme hinweg in einer Plattform
• Transparenz über aktuelle und künftige Streckenauslastung und netzweites Baugeschehen
• Niederschwelliger Zugang zu den Auswertungen für die Nutzenden
• Automatisierte Regressionstests der Power-BI-Berichte
• Umgesetzte Anwenderkommunikation: zentrale Infoseite mit Hot News, Changelog und Known Bugs, direkt aus den Berichten erreichbar

• Verfassen des Buchbeitrags „Entwicklung eines digitalen Geschäftsmodells“ für das Springer Gabler-Sammelwerk „Praxishandbuch Digitales Management“.

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

• 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.

• Planung und Entwicklung einer CPU-Überwachungsanwendung zur Überwachung der Systemleistung und Ressourcennutzung.
• Entwicklung und Implementierung eines Spring-Boot-Backends mit REST-API zur Verarbeitung und Bereitstellung von Überwachungsdaten.
• Entwicklung des React-Frontends zur übersichtlichen und benutzerfreundlichen Darstellung der Überwachungsinformationen.
• Integration von PostgreSQL zur dauerhaften Speicherung und Verwaltung der Anwendungsdaten.
• Containerisierung der Anwendung und ihrer Dienste mit Docker Compose.
• Automatisierung der Bereitstellung und des Deployments der Infrastruktur mit Terraform auf AWS.
• Strukturierung der Anwendung als modernes, wartbares System mit REST-basierter Kommunikation zwischen Frontend und Backend.
• Entwicklung einer sicheren, skalierbaren CPU-Überwachungsarchitektur (cpu-watcher) mit einer eigenen Collector-Anwendung, die Überwachungsdaten an das Backend überträgt und dadurch den direkten Zugriff auf Systemressourcen reduziert.
• Entwicklung einer sicheren Cloud-Infrastruktur mit isolierter Datenbank in einem privaten Netzwerk und OIDC-basierter Authentifizierung.
• Implementierung von Infrastructure as Code mit Terraform und Integration versionskontrollierter CI/CD-Pipelines zur Automatisierung von Tests, Infrastrukturänderungen und Anwendungsbereitstellungen.
• Entwicklung und Implementierung der Architektur zur Frontend-Bereitstellung mit AWS CloudFront.

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

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

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.

• 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