Docker Compose Experten in Deutschland

Developed a CPU monitoring application using Spring Boot and React, containerized with Docker Compose, with automated infrastructure provisioning using Terraform on AWS.

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

• Mitfahr- und Busplattform, live erreichbar und funktionsfähig. Backend Spring Boot 4.1 auf Java 21, PostgreSQL mit Flyway, Testcontainers-Integrationstests. Betrieb im eigenen AWS-Konto (ECS Fargate, ALB, ECR, IAM Least-Privilege) mit CI/CD via GitHub Actions und OIDC-Federation ohne statische Zugangsdaten. Entwicklung durchgehend KI-gestützt mit Claude Code, inklusive eigener Skills und projektspezifischem Memory. Spring Boot · Java 21 · PostgreSQL · Flyway · Docker · AWS ECS/ALB/ECR · CI/CD · GitHub Actions · Claude Code

• Entwicklung und Einführung von Betriebsprozessen
• Erarbeitung vollständiger Dokumentationspakete (inkl. Notfallmanagement und Betriebsführung) zur Einhaltung von Compliance-Vorgaben
• Einführung von Workshops zum Thema IaC (Infrastructure as Code)
• Fachliche Beratung für das Sicherheitskonzept des Projekts (ISMS)
• Installation und Betrieb von Kubernetes-Clustern auf AWS, On-Prem und Azure
• Design einer hybriden Cloud-Architektur (On-Prem, Hetzner, AWS)
• Problemanalyse und -behebung bei Incidents und Systemausfällen
• Netzwerkanpassungen an Firewall-Regeln, Gateways, OpenVPN-Einstellungen und IPsec-Tunneln (pfSense)
• Fachliche Beratung zum Thema BitBucket, Jenkins und GitLab CI/CD Pipelines
• Beratung zum Thema Ansible-Deployments und Infrastrukturautomatisierung
• Beratung beim Aufbau eines skalierbaren Systems in der Cloud (AWS / Azure)
• Technologien / Tools: Ansible, Terraform, AWS, Azure, VPN, pfSense, Jenkins, Bitbucket, Kubernetes, GitLab Runner, ISMS, Golang, Prometheus, Grafana, S3, Lambda, RDS, ECS, Cognito, OIDC, Harbor, MinIO, Postgres, Redis, Keycloak, Ceph, Proxmox, CloudFormation, PostgreSQL, Flux CD, Hetzner, IONOS, Sonatype Nexus Repository, Entra ID, Dex IdP, Pulumi

• Backend-Features für Modern RIS entwickelt, ein webbasiertes Radiologie-Informationssystem, das über WebView mit dem bestehenden Classic RIS integriert ist.
• An einem modularen Spring-Boot-Backend gearbeitet, das klinische Abläufe wie Termine, Untersuchungen, Patienten, Aufträge, Berichte, Abrechnung und Lagerbestand abdeckt.
• Zur ereignisgesteuerten Architektur beigetragen, indem Domänenereignisse genutzt wurden, um Workflows zwischen Backend-Modulen zu entkoppeln.
• REST/OpenAPI-Endpunkte, Business-Logik in der Service-Schicht, DTO-Mapping, Validierung und Integrationspunkte für das React-Frontend implementiert.
• Mit PostgreSQL-basierten Domänenmodellen, Liquibase-Datenbankänderungen, Trennung von Read-/Write-Modellen und alten RIS-Datenbankstrukturen gearbeitet.
• Authentifizierungs- und Autorisierungsflüsse mit Keycloak und OAuth2 integriert.
• Unit-/Integrationstests mit JUnit, Rest Assured, Testcontainers und projektspezifischen Test-Utilities hinzugefügt und gepflegt.
• CI/CD- und lokale Entwicklungs-Workflows mit Maven, Docker Compose, Jenkins und generierten OpenAPI-Clients unterstützt.

Tech-Stack: Java 21, Spring Boot 3.5, Maven, PostgreSQL, Liquibase, Keycloak, OAuth2, REST, OpenAPI/Springdoc, MapStruct, Lombok, Docker, Testcontainers, Jenkins.

Entwicklung einer iOS-App für virtuelle Anprobe und Outfit-Vorschläge

Das Ziel des Projekts ist die Entwicklung einer mobilen Anwendung für personalisierte, fotorealistische Outfit-Vorschläge. Benutzer sollen eigene Fotos hochladen, Kleidungsstücke virtuell anprobieren und direkt kaufbare Produkte in den generierten Vorschlägen wiederfinden können.

• Konzeption und Umsetzung des Onboardings sowie des Foto-Uploads in der iOS-App
• Entwicklung der mobilen Anwendung mit Expo und React Native
• Implementierung eines Hono-/Node.js-Backends für Benutzer-, Produkt- und Generierungsprozesse
• Aufbau einer asynchronen Verarbeitungsstrecke mit BullMQ und Redis
• Anbindung von PostgreSQL/pgvector und S3 für Produkt-, Bild- und Generierungsdaten
• Integration von Gemini und OpenAI für Outfit-Generierung und Bildverarbeitung
• Umsetzung eines Creditsystems und Anbindung von RevenueCat
• Integration von Stripe Connect und Affiliate-Produktfeeds für direkt kaufbare Produkte

Label: TypeScript, React Native, Expo, Hono, Node.js, PostgreSQL/pgvector, BullMQ, Redis, S3, Gemini, OpenAI, RevenueCat, Stripe Connect, Docker

agentic-engineer.online ist meine öffentlich testbare Live-Demo und zugleich die Plattform, auf der ich meine Arbeit zeige. Ursprünglich als Recruitment-Probearbeit entstanden, betreibe ich sie seither als eigenes Demo-, Lern- und Produktprojekt weiter — auf einem Hetzner-VPS hinter einem Cloudflare-Tunnel, über eine mehrstufige, AI-orchestrierte Deploy-Pipeline mit Snapshot-Rollback. Bricht ein Deploy-Schritt, fällt das System auf den letzten sauberen Snapshot zurück, das Skript wird angepasst, der Test wiederholt — empirisch, test-getrieben, ohne Hand-Tuning.

• Technisch dahinter: Python und FastAPI, eine OpenRouter-Modell-Kaskade, SQLite-Persistenz und Cloudflare-Edge-Tuning.
• Ich bin Entwickler und strengster Kunde meiner eigenen KI-Arbeit in einer Person — aus dem Prototyp ist ein Werkzeug geworden, das ich täglich nutze und gegen das ich eigene Produkte teste.

PLANT-MY-TREE®-per-order

Die Anwendung ermöglicht Shopify-Händlern die automatisierte Beauftragung von Baumpflanzungen für jede eingegangene Bestellung. Durch die Integration ökologischer Beiträge direkt in den Kaufprozess entfällt der manuelle Aufwand für die Nachverfolgung und Abrechnung von Aufforstungsinitiativen. Das System steigert die Transparenz gegenüber Endkunden durch Echtzeit-Visualisierungen des ökologischen Impacts direkt im Storefront. Die Architektur basiert auf einem modularen Monolithen mit Spring Boot im Backend und einer integrierten React-App innerhalb des Shopify-Admin-Bereichs. Die Lösung nutzt Webhooks zur Event-gesteuerten Erfassung von Bestelldaten und integriert das ERP-System weclapp zur automatisierten monatlichen Rechnungsstellung. Ein App-Proxy-Mechanismus stellt dynamische Statistiken wie CO2-Kompensation und gepflanzte Bäume ohne Performance-Einbußen für den Händler-Shop bereit.

Tätigkeiten:

• Konzeption der modularen Softwarearchitektur basierend auf Spring Modulith zur Sicherstellung hoher Wartbarkeit
• Entwicklung der Event-gesteuerten Geschäftslogik zur Bewertung von Shopify-Bestellungen mittels Webhooks
• Implementierung der automatisierten Rechnungsstellung durch Anbindung der weclapp REST-API
• Aufbau des Frontends unter Verwendung von React Router und der Shopify App Bridge für eine native Integration
• Design des Datenbankmodells und Implementierung der Persistenzschicht mit JPA/Hibernate sowie Prisma
• Integration von Internationalisierungsprozessen für die globale Anwendung in Frontend und E-Mail-Kommunikation
• Automatisierung der Deployment-Prozesse mittels Docker und GitLab CI/CD

Projektskills: Java 25, Spring Boot, Spring Security, Spring Modulith, Hibernate, JPA, REST API, PostgreSQL, Maven, Liquibase, React, TypeScript, React Router, Vite, Node.js, Prisma, Zod, Docker, Docker Compose, GitLab CI/CD, Shopify CLI, Shopify App Bridge, Polaris, weclapp, i18next, Lombok, Vitest

• Die geschäftlichen und technischen Anforderungen des Kunden verstehen und in System- bzw. technische Anforderungen übersetzen
• Schrödingers Anwendungen auf Cloud-Systemen entwerfen und implementieren sowie Erfahrung darin haben, das Senior Management und erfahrene technische Mitarbeiter von den Vorteilen ihres Weges mit Schrödinger in der Cloud zu überzeugen
• Außergewöhnliches technisches Design und fachliche Führung bieten, insbesondere bei AWS-, GCP- und K8s-Architektur-Reviews, Leistung, Hochverfügbarkeit, Kosten und Sicherheit
• Tiefes Verständnis der Well-Architected-Prinzipien und aller Best Practices zum Aufbau sicherer und leistungsfähiger Schrödinger-Anwendungen auf den Cloud-Plattformen
• Technische Workshops leiten und Kunden bei architektonischen und strategischen IT-Entscheidungen beraten
• Den Erfolg beim Entwerfen, Erstellen und Migrieren von Anwendungen, Software und Services auf den Cloud-Plattformen sicherstellen
• Kunden über Best Practices aufklären, um sicherzustellen, dass ihre Lösungen für eine erfolgreiche Bereitstellung in der Cloud ausgelegt sind
• Mit anderen Teammitgliedern zusammenarbeiten, um Qualität und Kundenerfolg sicherzustellen
• Tickets, Aufgaben und Zeitpläne von Projekten definieren
• Mit Account Managern zusammenarbeiten, um sicherzustellen, dass die Projekte gemäß dem definierten Plan und Zeitrahmen umgesetzt werden
• Den Fortschritt der Projekte überwachen, Risiken und Probleme identifizieren und proaktiv Maßnahmen zu deren Minderung ergreifen
• Cloud-Architektenteams leiten und inspirieren, Orientierung geben und wichtige Entscheidungen treffen
• Eine effektive Kommunikation und Zusammenarbeit zwischen den Teammitgliedern fördern
• Mit Schrödingers Managern zusammenarbeiten, um Deployment, Support und Konfiguration von Schrödingers Anwendungen zu verbessern
• Wöchentliche Stand-ups leiten und Prioritäten festlegen

• 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).

• Konzeption und Implementierung einer Python-basierten ETL-Pipeline mit dem Dagster-Framework für die Transformation von Energierohdaten aus heterogenen Quellen mit InfluxDB und Visualisierungen in Grafana
• Definition von zeitlich gesteuerten und abhängigkeitsbasierten Jobs
• Bereitstellung auf einem verwalteten Kubernetes-Cluster mit Helm
• Anbindung von InfluxDB Cloud
• Aufbereitung von Daten für Nutzung in Grafana inkl. Säuberung und Normalisierung plus zeitliches Resampling in Python
• Entwicklung von Dashboards und Visualisierungen in Grafana
• Entwicklung von Unit-Tests inkl. Mocking mit pytest
• Aufbau von CI/CD-Pipeline in GitLab

Technologien: Python, Dagster, InfluxDB, Grafana, pandas, pytest, REST, CI/CD, GitLab, Container, Kubernetes, Helm, Docker, Cloud

• ▶ Einen Echtzeit-Sprachassistenten gebaut (STT → LLM → TTS-Pipeline), mehrere STT-Anbieter wie faster-whisper und Azure Speech gebenchmarkt und bewertet. Sub-3s-Latenz erreicht, Groq API (Llama 3) mit Multi-Turn-Memory genutzt - mit direkter Behandlung von Edge Cases bei Diktat, Namen und Passcode-Erkennung.

• Implementierung der spezifizierten DevOps-Lösungen zur Automatisierung der Infrastruktur (Terraform, Bicep, CloudFormation, Ansible) im lokalen Rechenzentrum (Ovirt, Proxmox, Ceph-Cluster, MinIO) und in der Private Cloud.
• Verwaltung, Konfiguration und Umsetzung von CI/CD-DevOps-Pipelines (GitLab, GitFlow) zur Unterstützung des Entwicklungsprozesses (Artifactory, Prometheus, Istio, Service Mesh, Helm Charts, OpenShift (Red Hat Enterprise) / Kubernetes-Cluster), Red Hat Satellite.
• Verwaltung, Einrichtung, Überwachung und Einspielung von Patches der Linux-Infrastruktur auf Basis von Red Hat Enterprise für Dev, Test und QA.
• Einsatz von Scrum- und Kanban-Methoden.
• Verwaltung, Konfiguration und Umsetzung von Sicherheitsstandards für die Bereitstellung in den Dev-, Test-, QA- und Produktionsphasen der neuen ePA-Anwendungen.
• Entwicklung neuer Plugins und Add-ons für die bestehende Infrastruktur.
• Datenbankunterstützung.
• Unterstützung der Datenanalyse (Python, Spark, Pandas, Power BI, Splunk Enterprise).
• Umsetzung von Best Practices für DevSecOps und BizDevOps unter Einsatz von GitOps (ArgoCD), Streamlit-Framework und Semaphore Ansible UI.
• Konfiguration und Test von iperf, uperf, sysbench mit dem Benchmark-Operator für externe Quelldaten und IoT/MDM-Geräte, Erstellung von Berichten über ELK/OpenSearch.
• Aufbau einer neuen Databricks-Plattform zur Sammlung und Analyse von Big Data aus verschiedenen Quellen und IoT-Geräten im Hadoop-Framework (Python, Pandas, PySpark, Power BI, Apache Airflow).
• Aufbau der Backend-Datenaggregation und -verarbeitung zur Automatisierung der Bereitstellung von Konfigurationen zwischen verschiedenen OpenShift-Clustern und dem Big-Data-Framework (Python, Pandas, PySpark, Apache Spark, PostgreSQL, Django 2, Ansible Automation, Jira JSM).
• Aufbau einer neuen ML-Pipeline-Plattform unter Verwendung von Kubeflow, TensorFlow, KServe.
• Extraktion, Transformation und Laden von Daten aus verschiedenen Quellen, einschließlich strukturierter und unstrukturierter Daten, in ein analytisches DWH bzw. Big-Data-Cluster mit Python, Pandas, Polars, Power BI, Django-Backend und PostgreSQL.
• Einrichtung eines neuen DevOps-Test- und QA-HashiCorp-Vault-Clusters für PKI und IAM.
• Konfiguration und Test automatisierter Patches basierend auf CVSS-Bewertungen und SIEM-integrierten CVEs.
• Einsatz von Nexpose und InsightVM zum Scannen von Schwachstellen in Netzwerken, Hosts, Containern und Anwendungen.
• Planung und Umsetzung sicherer und skalierbarer AWS-Architekturen einschließlich VPC, EC2, S3, RDS und Route53 sowie ähnlicher Umgebungen auf Azure und GCP.
• Automatisierte Systembereitstellung und -deployment mit CloudFormation-Vorlagen.
• Konfiguration von IAM-Rollen, Richtlinien und Berechtigungen zur Gewährleistung einer sicheren Zugriffskontrolle.
• Patch-Management, Backup-Automatisierung und Einrichtung der Notfallwiederherstellung in der AWS-Infrastruktur.
• Überwachung und Optimierung der Systemleistung mit AWS CloudWatch und AWS Trusted Advisor.
• Unterstützung von VMware-Diensten (vSphere, Aria, Horizon) und der virtuellen Desktop-Umgebung.
• Entwicklung und Wartung von CI/CD-Pipelines mit Jenkins, GitLab CI/CD und AWS CodePipeline mit Schnittstelle zu Nutanix.
• Konfiguration von AWS CloudWatch zur Überwachung der Anwendungsleistung und Systemereignisse.
• Planung und Durchführung der Migration von On-Premises-Anwendungen zu AWS-Cloud-Plattformen.
• Bereitstellung containerisierter Anwendungen mit Docker und Kubernetes in AWS-Umgebungen.
• Bereitstellung interner Softwarepakete zwischen Verfügbarkeitszonen mit AWS CodeDeploy.
• Erstellen und Bereitstellen von ML-Modellen mit Scikit-Learn, XGBoost und Spark MLlib einschließlich Hyperparameter-Tuning, Modellevaluation und Produktivsetzung.

• Mehrere Projekte im polizeilichen Kontext
• Polizeiliche Verfahren/Projekte mit Archimate modellieren und dokumentieren (Ist/Soll) im Kontext von P20 (BKA)
• Software-Architekturen erstellen mit Microservices
• POC-Entwicklungen mit Springboot/Docker/Kubernetes
• Projektgröße: 10 Personen
• Enterprise Architektur Management mit Togaf und Archimate
• Softwareentwicklung Backend Springboot
• Devops mit Kubernetes
• Realisiert mittels: Java 17/21, Springboot 3, P20-Architektur, Togaf, Archimate

• Verantwortlich für die Administration von OpenShift/Kubernetes On-Prem und den Entwickler-Support.
• Automatisierte die URP-Infrastruktur mit Python, Ansible, Kustomize sowie dem ArgoCD- und Argo Workflow/Events-Stack.
• Schrieb Smoke- und Lasttests für die URP-Infrastruktur mit Python, Kustomize und ApplicationSets.
• Unterstützte beim Aufbau und der Bereitstellung der URP-Infrastruktur in Google Cloud (GKE).
• Implementierte Monitoring für die URP- und ArgoCD-Umgebung mit Splunk Cloud.
• Führte Systemadministrationsaufgaben auf RedHat Linux, Kubernetes/OpenShift, ArgoCD, GitLab, Bitbucket Enterprise, Kafka und MongoDB durch.