Computer-Aided Design Experten in Deutschland

• Business Analyst/ Projektmanager/ Trainer/ Unternehmer
• Beratung von Unternehmen in den Bereichen Business Analyse, Prozessmanagement, agiles Projektmanagement und Organisationsentwicklung.
• Leitung von Digitalisierungs- und Transformationsprojekten (LichtBlick SE, E.ON, Co.met, Stromnetz Hamburg)
• Einführung agiler Arbeitsweisen und Aufbau effizienter Prozess- und PMO-Strukturen
• Erfolgreiche Umsetzung einer Produkteinführung (Idea-to-Market, > 100 Epics über 3 Jahre)
• Erstellung von Lastenheften, Prozessmodellen und IT-Konzepten
• Coaching und Training von Fach- und Führungskräften (Jira/Confluence, Einkauf)
• Entwicklung des eigenen Produkts „TriggaBuddy“ – Konzept, CAD-Design, 3D-Druck, Gebrauchsmuster
• Beraterstationen: E.ON, LichtBlick SE, Co.Met, Stromnetz Hamburg GmbH

• In dieser Funktion leitete ich ein gefördertes Entwicklungs- und Prototypenvorhaben mit externem Partner.
• Ich strukturierte Abläufe für Zeit-, Budget- und Risikosteuerung.
• Ich koordinierte Abstimmungen und Berichte mit allen Beteiligten.
• Ich bereitete die nächsten Projektphasen bis zur Pilotierung und geplanten Skalierung systematisch vor.

• Planung und Umsetzung einer Migrationsstrategie von Stamm- und Bewegungsdaten zur kontinuierlichen Befüllung einer cloudunabhängigen Datenbank
• Erstellung und pilothafte Implementierung eines unternehmensweiten Business Data Models für Kunde, Lieferant, Verträge, Produkte, Preise, Verbräuche, Rechnungen und Mahnwesen
• Konzeption und Beratung zu einem Data Governance Framework inkl. Definition von Gremien, Rollen, Prozessen und Metadaten-Modell
• Operationalisierung des Data Governance Frameworks mit Definition von Datenstandards
• Teilprojektleitung bei zwei Pilotprojekten (PoCs) für Data Governance Systeme (ErwinDIS und Atlan)
• Schulung und Coaching des Data Teams in Migration, Data Quality und Datenmodellierung

• Teamführung: Priorisierung und Koordination von vier funktionsübergreifenden Teams.
• Plattformstrategie: Entwicklung und Umsetzung von Strategien zur Optimierung bestehender IT-Plattformen.
• Stakeholder-Management: Aktive Steuerung von Erwartungen und Kommunikation mit internen und externen Stakeholdern.
• Programm- und Innovationsmanagement: Priorisierung und Koordination von abteilungsübergreifenden Projekten sowie Innovationsinitiativen.
• Product-Owner-Beratung: Beratung von Product Ownern mit Fokus auf Produktentwicklung und kontinuierliche Produktverbesserung.
• Organisationsentwicklung: Verbesserung von Kommunikations- und Entscheidungsstrukturen auf allen Organisationsebenen.
• Change Management: Einsatz von Best-Practice-Methoden im Change Management, um kontinuierliche Optimierung und Innovation sicherzustellen.
• Qualitätssicherung: Sicherstellung hoher Qualitätsstandards in Prozessen, Services und Deliverables.

Entwickelte Python-basierte KI-Microservices und Integrationen für eine AEC/VR-SaaS-App auf Unity-Basis, mit Fokus auf LLM-/VLM-Funktionen, retrieval-gestützte Systeme, RESTful APIs, containerisierte Bereitstellung und einen Automatisierungs-Microservice für die CAD-zu-Unity-Pipeline.

• Entwickelte einen eigenen Hybrid-A*-Algorithmus in C#, um Hospitalszenarien zu simulieren und frühe Designkonflikte anhand von Kollisions- und Raumdaten zu erkennen sowie strukturierte Berichte zu erzeugen.
• Löste und automatisierte das zeitaufwändige Problem, CAD-Dateien in nutzbare Unity-Umgebungen zu überführen, mit einer eigens entwickelten Echtzeit-Pipeline und einer ZeroMQ-basierten Kommunikationsebene, um Lasten auf mehrere Prozesse zu verteilen und Echtzeitfähigkeit zu erreichen.
• Entwickelte eine Docker-basierte FastAPI-Pipeline für die CAD-zu-Unity-Automatisierung, die bildbasierte Objekterkennung, Image Embeddings und vorab berechnete Metadaten kombiniert, um CAD-Objekte automatisch Unity-Verhaltensskripten zuzuordnen, Eigenschaften zu setzen und wiederholte KI-Inferenzaufrufe zu reduzieren.
• Erstellte Dokumentation und Beispiele, um technischen Nutzern zu helfen, die KI-Automatisierungspipeline zu verstehen, zu konfigurieren und zu erweitern.

In diesem Projekt übernahm ich die Konzeption und Implementierung einer neuen, modularen sowie hochskalierbaren Prüfstandsplattform für einen Automobilzulieferer. Mein Schwerpunkt lag dabei auf der Entwicklung einer tragfähigen Systemarchitektur sowie der Programmierung der zugehörigen Software, wobei konsequent UML-Modellierung zur Anwendung kam. Durch diesen strukturierten Ansatz konnte die Wiederverwendbarkeit einzelner LabVIEW-Prüfbausteine massiv erhöht und die Entwicklungszeit für nachfolgende Projekte nachhaltig reduziert werden. Zudem integrierte ich moderne Automotive-Standards wie CAN FD, LIN und Safety-Anforderungen, was die Lösung zukunftssicher machte.

Technologien: LabVIEW, Visio, UML, CAN FD, LIN, DMM, Safety, Bildverarbeitung, Projektmanagement, HMI, C#, C++, Python, Rust, CI

• Geschäftsergebnis-Optimierung und Ausbau der Vertriebsaktivitäten
• Verantwortlich für die Personal-Organisation
• Einführung eines Dokumenten-Management-Systems (DMS)
• Einführung und Optimierung der ERP-, CMS- und CRM-Landschaft
• Einführung digitaler Unterschriften
• Umsatzsteigerung, Kostenreduzierung und EBIT-Steigerung

• Ein vollständiges Thermomanagementsystem für ein Fahrzeug in einer MiL-Simulation entwickelt und validiert, mit 95 % Übereinstimmungsgenauigkeit gegenüber realen Fahrzeugmessungen, was die virtuelle Kalibrierung direkt unterstützt und die Abhängigkeit von physischen Prüfständen reduziert hat.
• Die durchgängige Entwicklung einer Model-in-the-Loop-(MiL)-Simulation mit AVL CruiseM und MATLAB/Simulink geleitet, einschließlich Systemarchitektur, Parametrierung und Validierung.
• Fahrzeug-Sensormessungen (Temperatur, Volumenstrom) mit dSpace MicroAutoBox (HiL) und IPEmotion erfasst und analysiert und die Rohdaten in verwertbare Kalibrierungsinformationen übersetzt.
• Wichtige Aktoren und Thermokomponenten - Pumpen, Ventile, elektrische Heizungen, Wärmetauscher und Kältemittelkreisläufe - kalibriert und optimiert sowie zuvor fehlende physikalische Effekte identifiziert und integriert, um die Lücke zwischen Simulation und realer Fahrzeugleistung zu schließen.
• Einen integrierten Aktorenregler entworfen und abgestimmt, mit präzise kalibrierten Parametern, wodurch ein hochgenaues virtuelles Modell entstand, das für die weitere Entwicklung übernommen wurde.

• Vollständiger Greenfield-Neuaufbau über den gesamten Stack — AI-native umgesetzt: Backend in Go und NestJS, PostgreSQL (CNPG) auf K3s mit GitOps/Terraform; Frontend mit Angular 22, zonenlos.
• Coding-Agenten (z. B. Claude Code, Cursor) über den gesamten Lifecycle orchestriert — Architektur, Implementierung, Tests, Reviews und Dokumentation — auf Basis von Specification-Driven Development (SDD).
• „Bruno“ — LLM-Kommentator-Persona mit RAG und MCP für eine konsistente Persönlichkeit über alle Generierungen hinweg (Vorberichte, Nachberichte, eigene virtuelle Wetten).

Angular 22 (zoneless, ohne Zone.js), Claude Code, Claude Code Skills, CNPG, Cursor, Design Tokens (Spec for Code), Docker, Gherkin, Git, GitLab, GitOps, Go, Google Gemini, Grafana, Hetzner Cloud, K3s, Keycloak, Kubernetes, Lighthouse, LLM-Integration, Model Context Protocol (MCP), NestJS, Node.js, NPM, Playwright, PostgreSQL, Prometheus, RAG, REST, Specification-Driven Development (SDD), Structured Outputs, Terraform, TypeScript, Vitest

Projektleiter Leitung, Koordinierung und Überwachung sowie Dokumentation und Auswertung von zahlreichen multidisziplinären Projekten im Bereich „Produktionsanlagen/Anlagenplanung“ in den Branchen Gas und Öl, Chemie und Pharma QMB und Sicherheitsbeauftragter Mitwirkung bei der Einführung des QM-Systems sowie bei der Vorbereitung und Durchführung des Zertifizierungsaudits „Energie-, Sicherheits- und QM-Audit“.

• Akquisitionstätigkeit
• Reporting

UEF 3.0 · Semantic Government Overlay (SGO) · Autonome Systeme (UAS / Dual-Use)

• Konzipiert: Semantic Government Overlay (SGO) – KI-geführte Verwaltung ohne Ablösung bestehender Fachverfahren. Lesender semantischer Layer über Registern und Fachverfahren auf Basis des Föderalen Informationsmanagements (FIM). Die Entscheidungshoheit verbleibt beim Sachbearbeiter (Architekturprinzip).
• Entwickelt: Referenzarchitektur mit quellenbelegten, abgeleiteten Aussagen (ausführbare Ontologien OWL/RDF/SHACL). Technisch garantierte Zweckbindung und Kein-Schreibpfad-Prinzip in Fachdaten – auditierbar, ohne zentralen Datenpool.
• Verankert: Regulatorik als Designprinzip: EU AI Act (Hochrisiko-Pflichten für Behörden-KI, Grundrechte-Folgenabschätzung nach Art. 27), DSGVO, NIS2 und verwaltungsrechtliche Automatisierungsgrenzen (§ 35a VwVfG, § 31a SGB X) als technische Kontrollpunkte in der Architektur.
• Erstellt: Methodisches Werkzeug für Pilotträger: Datenpipeline-Assessment (Phase 0), Compliance-Blueprint und Management Summary als entscheidungsreifes Paket für die öffentliche Verwaltung.
• Spezifiziert: UEF 3.0 als Nachfolge-Architektur zu TOGAF – Decision Paper kanonische Ontologie, Sechs-Schichten-Architektur, Read/Actuate-Grenze, Federation-Registry, Terminologie-Konkordanz und Release-Delta als geschlossener Spezifikationsstand.
• Architektiert: KI-natives Missions-OS für autonome UAS und Bodenrobotik als taktische Schicht über einem separat zugelassenen Autopiloten. Run-Time Assurance nach ASTM F3269-21 (Simplex-Muster): Der verifizierte Sicherheits-Controller behält die Autorität, die KI-Funktion liefert Vorschläge.
• Ausgelegt: Drei-Tier-Architektur – Tier 0 Autopilot mit 650-Hz-Flugregelung auf RTOS, Tier 1 KI-OS mit semantischem Weltmodell und Multi-Agenten-Cluster, Tier 2 Schwarm- und Boden-Mesh. Zenoh als primäre Fabric, MAVLink als einziger authentifizierter Kommandopfad (Single-Writer). Ergebnis: graceful degradation – Verlust der Mission, nicht des Fluggeräts.
• Abgesichert: Zwei-Gate-Kette auf der Read/Actuate-Grenze – Governance-Gate (Darf-Frage: AI-Act-Risikoklasse je Aktuierung, erzwungene menschliche Aufsicht nach Art. 14, unveränderliches Log) vor RTA-Safety-Monitor (Richtig-Frage: Flugenveloppe, Geofence, Energiereserve) mit Revert auf den Baseline-Controller.
• Verankert: Dual-Use-Architektur mit Common Core und Build-Time-Fork statt Runtime-Umschalter. Drei getrennte Rechtsstufen: Zivilvariante – UAS unter der EASA-Grundverordnung (EU) 2018/1139 mit der nach Art. 2 Abs. 2 AI Act eingeschränkten Anwendbarkeit, Bodenrobotik unter der Maschinenverordnung 2023/1230 mit voller Hochrisiko-Pflichtenkette, Cyber Resilience Act für beide; unbewaffnete Trägervariante als Rüstungsgut unter AWG/AWV und Dual-Use-VO 2021/821 (BAFA-Genehmigung); bewaffnete Variante unter KrWaffKontrG. Jede Ausprägung lebt unter genau einem dominanten Rechtsregime. Nachweisfundament: AI-BOM, SBOM und lückenlose Data-Lineage.
• Analysiert: Systemanalyse und Neuausrichtung gewachsener Engineering-Systemlandschaften. Vorgehenskonzept Konsolidierung ohne Migration – semantischer Layer über den Bestandsquellen statt Datenumzug. Ergebnis: entscheidungsreifes Vorgehenskonzept inklusive Bewertungsmodell für die Zielarchitektur.

• Steuerung des operativen Backoffice
• Abwicklung des Angebots- und Rechnungswesens
• Unterstützung in der vorbereitenden Buchhaltung
• Koordination von Terminen und operativen Abstimmungen
• Schnittstellenmanagement zwischen Geschäftsleitung, Kunden und externen Partnern
• Strukturierung administrativer Abläufe im Tagesgeschäft

Durch die Übernahme operativer Backoffice-Aufgaben entsteht eine spürbare Entlastung der Geschäftsführung. Administrative Prozesse laufen strukturierter, verlässlicher und effizienter, wodurch mehr Zeit für Kunden, Projekte und unternehmerische Entscheidungen frei wird.

• Austausch und Erneuerung der vorhandenen Client-PCs mit Update auf Windows 11 und mobilen Arbeitsplätzen mit Laptops und Dockingstation
• Einführung von Office365 mit Nutzung von OneDrive
• Einführung der E-Rechnung mit DATEV-Buchhaltungssoftware
• Überarbeitung der eingesetzten Standardprogramme im Büroalltag
• Datenablage im SharePoint anstelle lokaler Datenspeicher
• Neue Berechtigungsstruktur für Benutzer
• Nutzung der Microsoft-Konten zur Synchronisation der Profile
• Reorganisation des Scan-Prozesses der Dokumente mit Ablage im SharePoint
• Neues Datensicherungskonzept zusätzlich zur Microsoft-Cloud-Lösung
• Einführung neuer Datenstrukturen: Überarbeitung und Trennung der Daten in aktiv, inaktiv, privat, geschäftlich
• Vereinfachung der Prozesse
• Erhöhung der Datensicherheit und Verbesserung der Sicherheit
• Permanente Datenverfügbarkeit an allen internen und externen Arbeitsplätzen