Containerisierungsexperten in Berlin

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Enterprise-Retrieval-Augmented-Generation-(RAG)-Anwendungen mit LangChain, LangGraph, Vektordatenbanken, Embeddings und Open-Source-LLMs entworfen und bereitgestellt, die über vLLM auf GCP-GPU-Infrastruktur betrieben wurden.
• Agentic-AI-Workflows mit LangGraph entwickelt, inklusive Planung, Schlussfolgern, Tool-Ausführung, persistenter Speicherung, Sitzungsverwaltung und Human-in-the-Loop-Freigabemechanismen.
• LLM-gestützte Automatisierungssysteme entwickelt, die BigQuery, SQL-Pipelines und externe Werbe-APIs wie Meta, TikTok, Amazon, Snapchat, Google und Pinterest integrieren und manuelle operative Abläufe reduzieren.
• Multi-Agent-AI-Systeme für Enterprise-Analytics- und Entscheidungsunterstützungs-Workflows entworfen, die autonome Aufgabenausführung und intelligente Dateninteraktionen ermöglichen.
• Retrieval-Optimierungsstrategien umgesetzt, darunter Multi-Retriever-Architekturen, semantische Suche, Kontextoptimierung und Query-Verbesserungstechniken, wodurch die Relevanz der Antworten um etwa 40 % verbessert wurde.
• Strukturierte Prompting-Strategien, Function-Calling-Schemata und Validierungs-Workflows entwickelt, um die Zuverlässigkeit von mehrstufigen LLM-Anwendungen zu verbessern.
• Skalierbare AI-Services mit Python, FastAPI, Cloud Run, Pub/Sub, BigQuery, Docker und cloud-nativen Bereitstellungsarchitekturen entworfen.

• Fractional Leadership; Beratung von Startups und Scale-ups in der Wachstumsphase zu Datenstrategie, ML-Produkten und Plattform-Grundlagen
• Aufbau von Entscheidungssystemen für Growth, Personalisierung und Produktexperimente in E-Commerce, Digital Health, Energie und Logistik
• Erforschung von Agentic AI und LLM-basierten Tools für produktionsreife Muster

• Codebase-Bewertung & Problemdesign: Komplexe Software-Engineering-Probleme gegen große Open-Source-Python-Codebasen (einschließlich pandas) entworfen und unter Last getestet, was tiefes Kontextverständnis und architektonisches Wissen erforderte, um sauber abgegrenzte, realistische Problemstellungen zu erstellen, die strengen Korrektheitsvorgaben entsprechen.
• Analyse von Agentenfehlern: Lösungen von LLM-Coding-Agenten auf Korrektheit und Vollständigkeit geprüft und dabei aussagekräftige Fehler in der Behandlung von Edge Cases, im dtype-Verhalten und in der Logik zur NaN-Weitergabe über mehrere Spalten hinweg identifiziert; Ergebnisse präzise für die weitere Auswertung dokumentiert.
• Programmgesteuerte Test-Suite-Entwicklung: Umfassende pytest-Suites erstellt, um Agenten-generierte Lösungen programmgesteuert gegen definierte Anforderungen zu prüfen, mit gezielter Abdeckung von Randbedingungen und Fehlermodi, die naive Implementierungen nicht erfassen.
• Containerisierte Umgebungs-Entwicklung: Docker-Umgebungen für reproduzierbare Agentenausführung gebaut und debuggt, einschließlich git-basierter Repository-Bereitstellung, Dependency-Pinning mit npm ci und Erstellung von Multi-Stage-Dockerfiles für Linux-basierte Container.

OpsWorker verwandelt Kubernetes-Alerts in Root-Cause-Analysen, zusätzlich zu dem Monitoring, das ein Team bereits betreibt. Ich leite die technische Seite: die Agentenarchitektur, die AWS-Infrastruktur, auf der das Ganze läuft (vollständig in EU-Regionen), und die Engineering-Entscheidungen dahinter, standardmäßig nur lesend im Cluster, der Mensch bleibt für die Bewertung im Loop. Der Stack darunter: Amazon Bedrock und Bedrock AgentCore, Agenten gebaut mit dem Strands Agents SDK, die Claude- und OpenAI-APIs sowie die Kubernetes-API.

• Kontext: Teams aus dem Gesundheitswesen und Labor brauchten eine schnellere Dokumentenanalyse, Unterstützung bei der Behandlungsplanung und zuverlässige KI-Workflows für MR-/VR-gestützte Einsätze.
• Beitrag: Ich habe die KI-Plattform für das Gesundheitswesen, Modell-/Agenten-Workflows, die Bereitstellungsplattform für VR-Brillen, REST-APIs, Next.js/React-Oberflächen und CI/CD-Pipelines aufgebaut.
• Auswirkung: Ich habe eine produktionsreife Grundlage für ein KI-Produkt geliefert, die die Prüfung klinischer Dokumente verbessert, Laborautomatisierung unterstützt und die Bereitstellung von VR-Flotten über verschiedene Umgebungen hinweg beherrschbar gemacht hat.

Tech: TypeScript, Next.js, Node.js, React, Java, Spring Boot, Python, PyTorch, TensorFlow, Docker, PostgreSQL, OpenAPI, GitLab, GitHub Actions.

• Verwalte den Entwicklungs-, Release- und Update-Prozess für das digitalisierte bundesweite Handelsregisterprojekt „AuRegis“.

• Unterstütze die Software in Kubernetes/OpenShift-Umgebungen, konfiguriere das Management mit Kustomize und setze CI/CD-Pipelines mit Jenkins/GitLab, SonarQube, ArgoCD und Azure um.

• Überwache den System-Release einer Microservice-Architektur.

• Entwickle den CI/CD-Stack von Grund auf mit GitLab CI und integriere Integrationstests, Abhängigkeitsprüfungen und Sicherheitsmaßnahmen.

• Automatisiere die Auslieferung auf OpenShift mit Kustomize.

• Baue Infrastrukturkomponenten für Entwicklung, Code-Review und Code-Qualitätsanalyse inklusive SonarQube auf.

• Integriere GitOps-Tools wie Kustomize und ArgoCD und nutze dabei sowohl Azure als auch eine Private Cloud für den Umgang mit sensiblen Daten.

• Entwickle Python-Skripte in Jenkins für die Konfiguration des Cryptostores und das Packaging von Produkten und Microservices zu auslieferbaren Einheiten.

• Automatisiere die Auslieferung an Kunden und Deployments auf Testsystemen.

• Erstelle Kustomize-Manifeste für Microservices und entwickle die passende Automatisierung, wobei ich Dokumentation als Code behandle, um Klarheit und Nachvollziehbarkeit sicherzustellen.

• Ich diente als technischer Berater für den ersten Go-live des Projekts und übernahm weitere Deployments als technischer Rollout-Manager.

• Etablierung von Identity- & Directory-Management als neues (ausgelagertes) Team und Produkt im IAM-Cluster.
• Leitung des Produkts „Identity & Directory Management“ (8 Personen) als Product Owner.
• Konzept für „Digitale Identitäten“, d. h. IDs mit beliebig vielen Nutzern/Konten und Strategie für ein modernisiertes Produktangebot.
• Modernisierung der APIs, Migration zu containerisierter Infrastruktur, Rollout in internationale Märkte und standardisierte Lösungen im gesamten REWE-Konzern.
• Tech: OpenText™ (NetIQ) eDirectory & Identity Manager, LDAP, SAP HR/HCM, Docker/Kubernetes/Podman, REST-APIs, Microsoft Active Directory & Entra ID, PostgresDB, Keycloak, Ansible, Cyberark (PAM), Apache Kafka, Jira, Confluence, Miro.

• Steigerte die Zuverlässigkeit der LLM-Ausgaben durch Erstellung domänenspezifischer Prompts und Evaluationslogik und verbesserte damit die Konsistenz der Schlussfolgerungen in Produktions-Workflows von Sprachmodellen.
• Entwickelte fortgeschrittene Coding-Benchmarks und validierte Lösungen zur Stärkung von Trainings- und Evaluierungsdatensätzen, wodurch die Modellleistung bei technischen Problemlösungsaufgaben verbessert wurde.
• Entwarf und implementierte automatisierte Evaluierungsframeworks für technische Reasoning-Aufgaben; optimierte die Zuverlässigkeit der LLM-Ausgaben um 15 % durch rigoroses Prompt-Engineering und bewertungsbasierte Benchmarking.

• Konzeption eines LLM-basierten Agentensystems zur Steuerung der ERP-Software
• Entwicklung von Agenten-Workflows mit LangGraph und PydanticAI
• Planung der Schnittstellen zwischen Geschäftslogik und Sprachmodellen
• Planung der Agentenorchestrierung
• Prototypenentwicklung- und Demonstration

Werkzeuge: Python, Pydantic, React, LangChain, LangGraph, Linux

• Aufbau und Konfiguration einer Docker-Container-Infrastruktur für die Frontend-Entwicklung, um eine nahtlose Synchronisation mit Docker-Hub-Repositories und VPS-Bereitstellungen zu gewährleisten
• Implementierung umfassender ESLint-Codequalitätsstandards in der gesamten TypeScript- und React-Vite-Codebasis, um konsistente Programmierpraktiken beizubehalten und die Wartbarkeit des Codes zu verbessern
• Entwicklung und Pflege von Schema-Synchronisationsprotokollen zwischen Frontend- und Backend-Systemen, um Datenkonsistenz und API-Kompatibilität zu gewährleisten
• Planung und Umsetzung automatisierter CI/CD-Pipeline-Workflows zur Straffung der Entwicklungsprozesse und Reduzierung der Bereitstellungszeit um 40%
• Zusammenarbeit mit funktionsübergreifenden Teams bei der Architektur einer skalierbaren Microservices-Infrastruktur zur Unterstützung hochverfügbarer Produktionsumgebungen
• Durchführung umfassender Code-Reviews zu Best Practices für moderne Web-Entwicklungs-Frameworks und Bereitstellungsstrategien

• Frontend-Modernisierung (verschiedene Kundenprojekte): Angular-Versionen aktualisiert, Architektur umstrukturiert, Performance optimiert, State-Management neu organisiert und UI-Bibliotheken konsolidiert – alles mit schnelleren Ladezeiten und besserer Nutzererfahrung in allen Projekten.
• Webentwicklung: Hochleistungs-Landingpages und Firmenwebsites für KMU-Kunden mit Next.js, SvelteKit, PayloadCMS und TailwindCSS, optimiert für Geschwindigkeit, SEO und Conversion.
• SaaS-Produktentwicklung: Architektur und Aufbau einer KI-gestützten Plattform für Fotostudio-Betreiber (PoC-Phase) mit Full-Stack-TypeScript: Angular-Frontend, NestJS-Backend, PostgreSQL, LLM-Integration (Gemini/Claude) für intelligente Workflow-Automatisierung.
• KI-Integration: Entwicklung eines PoC für KI-generierte Podcast-Avatare unter Verwendung der Gemini-API für Content-Produktions-Workflows.
• Tiefgehende Angular-Workshops: Durchführung von über 20 Workshops (je 3–5 Tage, 8–10 Teilnehmer) in Hands-on-Form, bei denen die Teilnehmer eine Demo-Anwendung basierend auf ihrem realen Geschäftsbereich bauen.

• Projekt 1: Multi-Tenant SaaS-Plattform: Datenintegration & Preismanagement
• Ziel: Neuentwicklung einer ELT-Pipeline (Ablösung des Java-6-Altsystems), Integration heterogener Quellsysteme (CSV, Excel, E-Mail, externe DBs), Event-Sourcing für vollständige Nachvollziehbarkeit, Multi-Tenant-Architektur für mandantenfähige Datenverarbeitung
• Herausforderung: Verarbeitung von Millionen Datensätzen pro Tag, Audit-Compliance, Datenisolation zwischen verschiedenen Mandanten
• Lösung: Stakeholder-Workshops zur Anforderungsanalyse, ereignisgetriebene Architektur mit Axon Framework und Apache Kafka, AWS-Services (EC2, S3, Lambda, SQS, API Gateway) für Cloud-Integration, PostgreSQL mit mandantenspezifischen Schemas für Multi-Tenant-Datenisolation, REST-API-Design mit Spring Boot für Integration externer Systeme, umfassende Teststrategie (JUnit, Spring Test, Postman, PACT, ArchUnit)
• Ergebnisse: ELT-Leistung von über 30 Minuten auf 1–5 Minuten verbessert; täglich 2–3 Stunden durch Workflow-Automatisierung eingespart; wöchentlich 10–20 Stunden durch Event-Sourcing-Nachvollziehbarkeit eingespart; 100 % Audit-Compliance; sichere Multi-Tenant-Datenisolation für mehr als 10 Mandanten
• Projekt 2: Modernisierung eines Multi-Tenant-CRM-Systems
• Ziel: Migration des CRM-Systems (über 20 Jahre PHP/MySQL) zu Java-Microservices, Umsetzung von Domain-Driven Design, Einführung von Test-Driven Development, mandantenfähige SaaS-Architektur für mehrere Kundenmandanten
• Herausforderung: Umgestaltung komplexer Geschäftslogik, fehlende Testkultur, skalierbare Mandantenverwaltung mit Datenisolation
• Lösung: Umfassende Teststrategie (JUnit, Spring Test, Postman, PACT, ArchUnit), Multi-Tenant-Architektur mit mandantenspezifischen Datenbanken, REST-API-Design mit Spring Boot für mandantenübergreifende Integration, Kubernetes und Docker für Container-Orchestrierung
• Ergebnisse: 2× Performancesteigerung; Bereitstellungszeit von über 40 Minuten auf 5–7 Minuten reduziert; Migration ohne Ausfallzeiten in der Produktion; skalierbare Multi-Tenant-Lösung für mehr als 15 Kundenmandanten
• Technologien: Java, Spring Boot 3.x, Angular, Apache Kafka, AWS (EC2, S3, Lambda, SQS, API Gateway), PostgreSQL, Axon Framework, Kubernetes, Docker, GitLab CI, REST-API